# Explore Run

> Skill hoja de Rigor Improve/Rigor Explore para evidencia exploratoria acotada: validaciones en subconjunto, sweeps, búsqueda en GPU ociosa o transfer-learning rápido, con resúmenes sin sobreclamar en `explore_outputs/`.

Fuente: https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/explore-run
Markdown: https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/explore-run.md

Repositorio: https://github.com/lllllllama/RigorPilot-Skills
Autor: lllllllama
Licencia: MIT
Actualizado: hace 2 meses
Coste de contexto: 150 tok instalada, 817 tok al activarse, 4k tok con todos los archivos del bundle
Bundle: 5 archivos, 15 KB
Permisos que pide: ninguno declarado

## Instalación

Un skill son archivos markdown: los mismos archivos valen para cualquier agente y lo único que cambia es el directorio de destino, es decir la bandera `--agent`. Añade `-g` para instalarlo en todos los proyectos de la máquina.

```bash
# Claude Code
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent claude-code
# Cursor
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent cursor
# Codex
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent codex
# Gemini CLI
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent gemini
# Windsurf
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent windsurf
# Cline
npx -y skills add lllllllama/RigorPilot-Skills --skill explore-run --agent cline
```

## Qué hace

- Planifica y clasifica candidatos de ejecuciones exploratorias (subconjuntos pequeños, sweeps, búsqueda en GPU ociosa, transferencia rápida) sin certificar éxito confiable
- Genera resúmenes acotados en `explore_outputs/` con advertencias de comparación justa y sin sobreclamar
- Clasifica candidatos pre-ejecución por `cost`, `success_rate` y `expected_gain`, ajustable con `selection_weights`
- Aplica poda de presupuesto mediante `max_variants` y `max_short_cycle_runs`
- Delega la ejecución real de comandos a `minimal-run-and-audit` o `run-train`, manteniendo el estado aislado del baseline confiable

## Cuándo usarla

- El investigador autoriza explícitamente ejecuciones exploratorias
- La tarea es una validación en subconjunto pequeño, prueba de entrenamiento de ciclo corto, sweep por lotes, búsqueda en GPU ociosa o prueba rápida de transfer-learning
- El resultado debe clasificar ejecuciones candidatas en vez de certificar un éxito confiable

## Cuándo no

- El usuario quiere ejecución de entrenamiento confiable o verificación conservadora
- No hay autorización exploratoria explícita
- La tarea es configuración del repositorio, intake o depuración

## Qué la activa

- "Autorizo una ejecución exploratoria: prueba este sweep en subconjuntos pequeños"
- "Haz una búsqueda rápida de transfer-learning en la GPU ociosa"
- "Clasifica estos candidatos de entrenamiento de ciclo corto antes de ejecutarlos"

## Antes de instalar

- Requiere autorización explícita del investigador para ejecuciones exploratorias antes de aplicarse.

## Archivos

- SKILL.md — 3 KB
- agents/openai.yaml — 334 B
- references/execution-policy.md — 674 B
- scripts/plan_variants.py — 10 KB
- scripts/write_outputs.py — 820 B

## SKILL.md

Reproducido tal cual desde lllllllama/RigorPilot-Skills bajo MIT. Esta sección es el documento original y está en inglés.

# explore-run

Use this as the Rigor Improve / Rigor Explore run leaf skill. The installed slug
remains `explore-run` for compatibility.

Use the shared operating principles in
`../ai-research-reproduction/references/agent-operating-principles.md`; this skill should guide
candidate run planning while preserving model judgment about the active repo.

## When to apply

- When the researcher explicitly authorizes exploratory runs.
- When the task is a small-subset validation, short-cycle training probe, batch sweep, idle-GPU search, or quick transfer-learning trial.
- When the output should rank candidate runs rather than certify trusted success.

## When not to apply

- When the user wants trusted training execution or conservative verification.
- When there is no explicit exploratory authorization.
- When the task is repository setup, intake, or debugging.

## Clear boundaries

- This skill owns exploratory execution planning and summary only.
- Use `ai-research-explore` instead when the task spans both current_research coordination and exploratory code changes.
- It may hand off actual command execution to `minimal-run-and-audit` or `run-train`.
- It should keep experiment state isolated from the trusted baseline.
- It should prefer small-subset and short-cycle checks before heavier exploratory runs.
- It should label run results as bounded evidence and explain when a comparison
  is not directly fair.

## Ranking Semantics

- Pre-execution candidate selection uses three factors: `cost`, `success_rate`, and `expected_gain`.
- Default weights should stay conservative unless the researcher explicitly provides `selection_weights`.
- Budget pruning still applies after scoring through `max_variants` and `max_short_cycle_runs`.
- If runs are executed later, downstream ranking should switch to real execution evidence, not stay purely heuristic.

## Variant Spec Hints

- Use `variant_axes` to define the candidate dimension grid.
- Use `subset_sizes` and `short_run_steps` to express exploratory run scale.
- Use `selection_weights` to rebalance `cost`, `success_rate`, and `expected_gain`.
- Use `primary_metric` and `metric_goal` so downstream ranking can order executed candidates consistently.

## Output expectations

- `explore_outputs/CHANGESET.md`
- `explore_outputs/SCIENTIFIC_CHANGELOG.md`
- `explore_outputs/COMPARABILITY_REPORT.md`
- `explore_outputs/TOP_RUNS.md`
- `explore_outputs/status.json`

## Notes

Use `references/execution-policy.md`, `../ai-research-reproduction/references/explore-variant-spec.md`, `../ai-research-reproduction/references/deep-learning-experiment-principles.md`, `scripts/plan_variants.py`, and `scripts/write_outputs.py`.

## Dónde encaja

- Categoría: [Datos y analítica](https://skillsagentes.com/categorias/datos-analitica.md) — Consulta, limpia y visualiza datos sin salir del agente.
- Creador: [lllllllama](https://skillsagentes.com/creators/lllllllama.md) — 11 skills en el directorio
- [Todas las skills](https://skillsagentes.com/skills.md)
- [Ranking de instalaciones](https://skillsagentes.com/ranking.md)

## Otras skills del mismo repositorio

- [Ai Research Reproduction](https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/ai-research-reproduction.md): Skill compatible con Rigor Reproduce para reproducción README-first de repos de deep learning: elige el objetivo mínimo confiable, coordina fases confiables y registra evidencia y desviaciones en `repro_outputs/`.
- [Ai Research Explore](https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/ai-research-explore.md): Slug de skill compatible con Rigor Explore para candidatos de investigación en deep learning potencialmente novedosos: exploración solo de candidatos sobre `current_research`, con comprensión auditable del repo y comparación justa.
- [Minimal Run And Audit](https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/minimal-run-and-audit.md): Skill Rigor Run para reproducir repos de deep learning centrados en el README: captura evidencia de un smoke test, inferencia o evaluación documentada en repro_outputs/, con notas de parches si cambian archivos.
- [Run Train](https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/run-train.md): Skill de Rigor Train para repositorios de investigación de deep learning: ejecuta de forma conservadora comandos de entrenamiento y registra evidencia estandarizada en train_outputs/.
- [Repo Intake And Plan](https://skillsagentes.com/skills/lllllllama/rigorpilot-skills/repo-intake-and-plan.md): Ayudante de Rigor Intake para reproducción de repos de deep learning basada en README: escanea el repo, extrae comandos documentados y clasifica candidatos de inferencia, evaluación y entrenamiento.

---

Skills Agentes · [Índice de páginas en markdown](https://skillsagentes.com/sitemap.md) · [Inicio](https://skillsagentes.com/index.md)