核心思想
作者的设计原则、与同类项目的差异化定位、关键工作流的简要介绍。文中提到的技能名称会自动链接到对应技能页。
RigorPilot 是一套面向深度学习实验的“研究优先”Agent Skills 集，与盲目追分的编码代理不同，它强制要求可比较性、可复现证据和可审计变更。
current_research 上做候选探索。repro_outputs/、explore_outputs/ 等目录，含变更日志与可比性报告。以 /ai-research-reproduction 或 /ai-research-explore 为入口；Agent 按生命周期路由（理解→复现→配置→运行/训练→调试→报告）。通过可审计产物保持研究者掌控。
技能关系
Skill → Skill 的使用关系，可跨层指向。同色块表示同一类技能形态。
技能组成
每个技能都为某种调用者设计——有的必须由你点名触发，有的则由模型自动按上下文加载。下面的两张卡片一眼看清整个技能集的触发分工。
技能清单
Rigor Explore 技能，用于在持久 current_research 锚点之上进行仅候选的深度学习研究探索。采用双循环节奏、想法门控、公平比较与受管实验（通过编排脚本），将可审计输出写入 explore_outputs/。价值：严谨、可比、可审计的候选构思，不作可信复现主张。
面向深度学习仓库的 README 优先端到端可信复现技能。它通过子技能协调 intake、环境、执行、可选训练、分析与论文缺口解析，强制保守补丁规则，记录证据与偏差，输出标准化 `repro_outputs/` 包，实现可审计的最小可信复现。
面向深度学习研究仓库的只读分析技能。通过轻量静态检查辅助脚本审视模型结构、训练/推理入口与配置，将可疑模式标记为启发式建议，输出 SUMMARY.md、RISKS.md、status.json。价值：改动前安全理解仓库，不执行重任务。
为 README 文档化的深度学习仓库复现准备保守的 conda 优先环境与资产路径假设。借助策略文档和 Python 脚本规划环境、检查点、数据集与缓存提示，输出设置说明与风险清单，支撑后续安全运行。
面向深度学习仓库的可审计候选实现技能。在明确授权下，通过脚本在隔离分支规划源码锚定的代码改动，产出带回滚与可比性说明的 explore_outputs 记录。价值：低风险探索修改与可信基线隔离。
面向深度学习仓库的有边界探索性证据运行的 Rigor Improve/Explore 叶子技能。规划候选运行（小子集、扫描、迁移试验），附公平性说明，并向 explore_outputs/ 写入无过度声明摘要。价值：可审计、低风险的探索排序，与可信基线隔离。
面向 README 优先的深度学习仓库复现的 Rigor Run 技能。它捕获并规范化所选冒烟测试或文档推理/评估命令的证据，写出标准 repro_outputs/ 文件含补丁说明。价值：可审计、可信的执行证据，不隐藏科学含义变更。
用于 README 优先的深度学习仓库复现的辅助技能，从原始论文来源解决狭窄的复现关键缺口（数据集划分、预处理、评估协议、检查点映射、运行时假设）。它记录冲突并区分证据与推断，为主流程提供针对性补充，而非概括整篇论文。
用于 README 优先的深度学习仓库复现的辅助技能。它扫描仓库、阅读 README 和常见文件，通过脚本提取文档命令，分类推理/评估/训练候选，并向编排器返回最小可信复现计划，从而在执行前实现安全、低风险的仓库理解。
面向深度学习仓库的严谨训练技能，对已选定的训练命令以保守方式执行启动验证、短跑验证、完整训练或恢复。它执行命令，捕获配置/种子/日志/检查点/指标证据，并写出标准 train_outputs/ 文件。价值：提供有边界、可审计且具可复现上下文的训练证据。
面向深度学习故障（报错、CUDA OOM、NaN loss）的保守调试/审计技能。默认不改代码诊断根因，提出需批准的最小补丁，并区分调试修复与研究贡献。产出诊断、补丁计划与状态文件，实现安全可审计的调试。