技能解析
何时触发 · 如何工作 · 产出什么
剖析技能的工作原理和产出物，快速判断你的场景与价值。
触发时机
当研究者明确授权有边界的探索性运行（小子集验证、短周期探针、批量扫描、空闲GPU搜索、快速迁移试验），且需要对候选排序而非认证可信成功时。
工作机理
- 通过
variant_axes、subset_sizes、short_run_steps规划变体网格 - 以 cost/success_rate/expected_gain 保守加权评分候选
- 按
max_variants/max_short_cycle_runs剪枝 - 将执行移交 minimal-run-and-audit 或 run-train
- 向
explore_outputs/写入有边界证据摘要
产生结果
标准化 explore_outputs/ 文件（CHANGESET、COMPARABILITY_REPORT、TOP_RUNS、status.json），带无过度声明与公平性说明的探索候选记录。
使用场景
两种典型用法
场景 01
小子集骨干变体筛选
研究者想在完整训练前用 10% 数据测试 5 种骨干变体。他们用 explore-run 定义 variant_axes 与 subset_sizes，按 cost/success_rate/expected_gain 评分，经 max_variants 剪枝后移交 minimal-run-and-audit。结果：TOP_RUNS.md 带可比性说明对候选排序，避免过早可信声明。
场景 02
空闲GPU短周期超参扫描
空闲 GPU 时段，研究者授权对学习率和批大小做短周期试错扫描。explore-run 规划 short_run_steps，限制 max_short_cycle_runs，将输出标为有边界证据写入 explore_outputs/ 并注明不公平比较。价值：低成本探索且不污染可信基线记录。
技能关系
我用了哪些 Skills · 哪些 skills 用了我
依赖关系读作「上一格指向下一格」。当前 Skill 位于第二格，上下分别是影响它与被它影响的 Skill。
第一层 · 这些 Skills 用了我
第二层 · 当前 Skill
- explore-runWorkflow
第三层 · 我用了这些 Skills
完整关系图
在所属技能集的全局上下文中浏览当前 Skill 的关系。点击节点切换右侧详情,搜索框可快速定位技能。