AI Research Explore (RigorPilot)
Exploration gouvernée de candidats de recherche en deep learning — rythme à deux boucles, tâche/dataset/benchmark figés, filtrage des idées et classement à comparaison équitable, preuves auditables dans explore_outputs/
- Quoi
- Exploration gouvernée de candidats de recherche en deep learning — rythme à deux boucles, tâche/dataset/benchmark figés, filtrage des idées et classement à comparaison équitable, preuves auditables dans explore_outputs/
- Coût
- Gratuit
- Prérequis
- un environnement de recherche en deep learning — Python 3.11+ et git pour les scripts d'orchestration fournis ; un ancrage `current_research` (branche, commit, checkpoint ou enregistrement de run) et une autorisation d'exploration explicite sont requis à l'usage. Installez aussi le skill compagnon `ai-research-reproduction` — les références/ et scripts/ partagés y vivent.
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill d'orchestration « Rigor Explore » de RigorPilot pour des candidats de recherche en deep learning significatifs et potentiellement nouveaux, avec rigueur scientifique, comparabilité et reproductibilité intégrées. Il ne s'applique que quand le chercheur a choisi la famille de tâche, le dataset, le benchmark, la méthode d'évaluation et les références SOTA, et autorise explicitement l'exploration « candidats uniquement » au-dessus d'un ancrage `current_research` durable. Le cœur est un rythme de recherche à deux boucles : une boucle externe (comprendre le dépôt, figer tâche/dataset/évaluation/budget, préserver les idées du chercheur, cartographier les sources, filtrer les idées, décider si la prochaine expérience vaut la peine) et une boucle interne (appliquer un changement ou un run candidat borné, le tester rapidement, collecter les preuves, le classer contre l'ancrage, s'arrêter ou revenir à la boucle externe). Le mode campagne fige la tâche, le dataset, le benchmark, la source d'évaluation, la référence SOTA et le budget de calcul avant tout travail candidat ; les idées du chercheur sont préservées et éventuellement étendues d'un petit ensemble borné de graines à variable unique, classées avec des filtres explicites et des décompositions de scores ; l'exécution privilégie un candidat clair à la fois, déléguant à `explore-code`/`explore-run`, et écrit `explore_outputs/` avec `SCIENTIFIC_CHANGELOG.md` et `COMPARABILITY_REPORT.md`. Point crucial : la nouveauté et la significativité restent des hypothèses jusqu'au contraste avec la littérature, aux preuves d'ablation et à la comparaison équitable — le skill ne présente jamais des gains exploratoires comme un succès de reproduction fiable. Crédit : @lllllllama. Bémols honnêtes : partie de la suite RigorPilot — il référence des références/ et scripts/ partagés qui vivent dans le skill compagnon `ai-research-reproduction`, installez donc la suite ensemble ; le travail « candidats uniquement » exige l'autorisation explicite du chercheur, ce n'est pas une boucle de découverte autonome ; il ne promet aucune preuve de nouveauté, aucune complétude globale des benchmarks, aucune garantie SOTA. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.
Version :
Installation
Prérequis : un environnement de recherche en deep learning — Python 3.11+ et git pour les scripts d'orchestration fournis ; un ancrage `current_research` (branche, commit, checkpoint ou enregistrement de run) et une autorisation d'exploration explicite sont requis à l'usage. Installez aussi le skill compagnon `ai-research-reproduction` — les références/ et scripts/ partagés y vivent. Installe-moi « Exploration de recherche IA — RigorPilot ». Le skill d'orchestration Rigor Explore de RigorPilot : exploration gouvernée de candidats de recherche en deep learning avec un rythme à deux boucles, tâche/dataset/benchmark figés, filtrage des idées, classement à comparaison équitable, et preuves auditables écrites dans explore_outputs/. Dépôt : https://github.com/lllllllama/rigorpilot-skills/blob/main/skills/ai-research-explore/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers auxiliaires) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Contrôle de sécurité : examine le SKILL.md et les scripts pour tout comportement suspect (appels réseau inattendus, commandes shell, récolte d'identifiants). Ce dépôt ne doit contenir aucun secret dans le code, les identifiants passent uniquement par le coffre sécurisé. Vérifie que c'est bien le cas ; ARRÊTE sur le moindre drapeau rouge et dis-le-moi. 3. Installe-le comme skill : copie SKILL.md et ses fichiers auxiliaires dans le répertoire des skills de l'agent, dans un dossier nommé « rigorpilot-ai-research-explore ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même. GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne l'exige jamais sauf si c'est dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.