AI Research Reproduction (RigorPilot)
Reproduction de dépôts de deep learning en commençant par le README — cible minimale fiable (inférence documentée → évaluation → démarrage d'entraînement), règles de patch conservatrices, bundle de preuves standardisé dans repro_outputs/
- Quoi
- Reproduction de dépôts de deep learning en commençant par le README — cible minimale fiable (inférence documentée → évaluation → démarrage d'entraînement), règles de patch conservatrices, bundle de preuves standardisé dans repro_outputs/
- Coût
- Gratuit
- Prérequis
- Python 3.11+ et git pour les scripts d'orchestration fournis. Les dépôts cibles peuvent nécessiter des dépendances vérifiées, un accès réseau ou des accélérateurs.
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill « Rigor Reproduce » de RigorPilot pour la reproduction de dépôts de deep learning en commençant par le README : un flux de bout en bout minimal et fiable qui lit d'abord le dépôt, sélectionne la plus petite cible documentée d'inférence ou d'évaluation, coordonne intake, setup, exécution fiable, entraînement fiable optionnel, analyse optionnelle et résolution des écarts au papier — puis enregistre preuves, hypothèses, écarts et points de décision humains dans un bundle standardisé `repro_outputs/`. Le chemin rapide est concret : lire le README cible, lancer `scripts/orchestrate_repro.py` en mode plan pour examiner les candidats de commande, l'empreinte de sélection et le contrat d'effets de bord, exécuter le candidat choisi, puis vérifier les sorties — avec les bornes de timeout explicites de l'utilisateur préservées, jamais resserrées en silence. La sélection de cible fiable privilégie d'abord l'inférence documentée, puis l'évaluation documentée, puis le démarrage d'entraînement ou la vérification partielle, et l'entraînement complet seulement après confirmation explicite de l'utilisateur ; le README est l'intention de reproduction principale — les fichiers du dépôt l'éclaircissent mais ne le remplacent jamais en silence, et les conflits README/papier sont enregistrés, pas fabriqués en succès. La frontière de patch est conservatrice : préférer les arguments CLI, variables d'env et correctifs de dépendances avant les changements de code ; les correctifs de reproduction doivent être déclarés ouvertement (quoi, pourquoi, si le sens scientifique ou la comparabilité a changé) ; ne jamais modifier l'architecture du modèle, la sémantique d'inférence ou les fonctions de perte ; si des fichiers du dépôt doivent changer, brancher `repro/YYYY-MM-DD-short-task` et garder les commits de patch rares et enregistrés dans `PATCHES.md`. Les sorties sont `SUMMARY.md`, `COMMANDS.md`, `LOG.md`, `SCIENTIFIC_CHANGELOG.md`, `COMPARABILITY_REPORT.md`, `status.json`, `ANNOTATED_README.md` (README original préservé octet pour octet hors blocs de preuves) et `PATCHES.md` seulement si patché. Crédit : @lllllllama. Bémols honnêtes : il exécute de vraies commandes sur de vrais dépôts — examinez toujours le contrat d'effets de bord du mode plan avant de lancer ; les dépôts cibles peuvent nécessiter des dépendances vérifiées, un accès réseau ou des accélérateurs ; l'orchestration fournie requiert Python 3.11+ et git ; le verdict « result-match » n'est attribué que contre des métriques attendues explicites et une tolérance, donc des attentes README floues donnent des verdicts flous. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage.
Version :
Installation
Prérequis : Python 3.11+ et git pour les scripts d'orchestration fournis. Les dépôts cibles peuvent nécessiter des dépendances vérifiées, un accès réseau ou des accélérateurs. Installe-moi « Reproduction de recherche IA — RigorPilot ». Le skill Rigor Reproduce de RigorPilot : flux de reproduction de deep learning en commençant par le README — lit le dépôt, sélectionne la plus petite cible documentée d'inférence/évaluation, l'exécute prudemment avec des frontières de patch explicites, et enregistre tout dans un bundle de preuves standardisé repro_outputs/. Dépôt : https://github.com/lllllllama/rigorpilot-skills/blob/main/skills/ai-research-reproduction/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-reproduction ». 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.