Run Train

Name: Run Train
Author: lllllllama

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/.

Estrellas: 483
Actividad: 62
Actualizado: hace 19 días
Commits: 5
Contexto: 621 tok
Paquete: 5 archivos

Instalar

Funciona con cualquier agente que lea SKILL.md

npx -y skills add lllllllama/RigorPilot-Skills --skill run-train --agent claude-code

Se instala solo en este repositorio.

Qué hace

Ejecuta de forma conservadora un comando de entrenamiento ya seleccionado (verificación de arranque, run corto, kickoff completo o resume)
Genera evidencia estandarizada en train_outputs/: SUMMARY.md, COMMANDS.md, LOG.md, SCIENTIFIC_CHANGELOG.md, COMPARABILITY_REPORT.md y status.json
Registra estados parciales, bloqueados, reanudados o iniciados con claridad
Conserva contexto de reproducibilidad: configs, seeds, checkpoints, logs, métricas y supuestos de runtime

Úsalo cuando

El comando de entrenamiento ya fue seleccionado y debe ejecutarse de forma conservadora
Se necesita verificación de arranque, verificación de run corto, kickoff completo o manejo de resume
Se requiere reporte estructurado de estado, checkpoints y métricas del entrenamiento

No lo uses cuando

La tarea principal es configuración de entorno, descarga de assets, o ejecución solo de inferencia/evaluación
La tarea es exploración especulativa, sweeps multi-variante o implementación autónoma de ideas
El usuario aún necesita intake del repositorio o resolución de gaps del paper

Qué lo activa

Di cualquiera de estas frases y el agente debería cargar este skill.

“Ejecuta el comando de entrenamiento seleccionado en modo verificación corta”
“Haz un kickoff completo del entrenamiento y registra checkpoints y métricas”
“Reanuda el entrenamiento desde el último checkpoint y documenta el estado”

SKILL.md

En inglés

conClaude ChatGPT Perplexity

run-train

Use this as the Rigor Train skill. The installed slug remains run-train for compatibility.

Use the shared operating principles in ../../references/agent-operating-principles.md; this skill should keep training evidence bounded while leaving repository-specific monitoring details to the model.

When to apply

When the training command has already been selected and should be executed conservatively.
When the researcher wants startup verification, short-run verification, full training kickoff, or resume handling.
When the run needs structured training status, checkpoint, and metric reporting.

When not to apply

When the main task is environment setup or asset download.
When the researcher wants inference-only or evaluation-only execution.
When the task is speculative exploration, multi-variant sweeps, or autonomous idea implementation.
When the user still needs repository intake or paper gap resolution.

Clear boundaries

This skill executes a selected training command and normalizes the resulting evidence.
It does not choose the overall research goal on its own.
It does not own exploratory branching or speculative code adaptation.
It should record partial, blocked, resumed, and kicked-off states clearly.
It should preserve reproducibility context such as configs, seeds, checkpoints, logs, metrics, and runtime assumptions when available.

Input expectations

selected training goal
runnable training command
environment and asset assumptions
run mode such as startup verification, short-run verification, full kickoff, or resume

Output expectations

train_outputs/SUMMARY.md
train_outputs/COMMANDS.md
train_outputs/LOG.md
train_outputs/SCIENTIFIC_CHANGELOG.md
train_outputs/COMPARABILITY_REPORT.md
train_outputs/status.json

Notes

Use references/training-policy.md, ../../references/deep-learning-experiment-principles.md, scripts/run_training.py, and scripts/write_outputs.py.

Reproducido de lllllllama/RigorPilot-Skills bajo licencia MIT. Leer esta página en markdown.

Archivos

5 archivos en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.

Antes de instalar

Requiere que ya exista un objetivo de entrenamiento seleccionado y un comando ejecutable, junto con los archivos de referencia y scripts del skill (training-policy.md, run_training.py, write_outputs.py).

Detalles

Creador: lllllllama
Categoría: Desarrollo de APIs
Licencia: MIT
Recursos incluidos: scripts en python + referencias
Repositorio: lllllllama/RigorPilot-Skills
Código fuente: Ver SKILL.md

Más de lllllllama/RigorPilot-Skills

Este repo incluye 11 skills. Si instalas uno, normalmente ya tienes los demás.

Ai Research Reproduction

483

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/`.

Costo de contexto al activarse: 1.7k tok
Tamaño del paquete: 14 archivos
Última actualización: hace 18 días

desarrollo apis

Ai Research Explore

483

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.

Costo de contexto al activarse: 1.6k tok
Tamaño del paquete: 34 archivos
Última actualización: hace 18 días

investigacion

Repo Intake And Plan

483

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.

Costo de contexto al activarse: 531 tok
Tamaño del paquete: 5 archivos
Última actualización: hace 18 días

herramientas desarrollo

Minimal Run And Audit

483

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.

Costo de contexto al activarse: 679 tok
Tamaño del paquete: 5 archivos
Última actualización: hace 19 días

testing qa

Explore Code

483

Skill de implementación para trabajo exploratorio auditable de código en investigación de deep learning: transplante de módulos, adaptación de backbone o capas LoRA/adapter en rama aislada, con registros para rollback en explore_outputs/.

Costo de contexto al activarse: 637 tok
Tamaño del paquete: 5 archivos
Última actualización: hace 19 días

herramientas desarrollo

Explore Run

483

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/`.

Costo de contexto al activarse: 817 tok
Tamaño del paquete: 5 archivos
Última actualización: hace 19 días

datos analitica

Skills relacionados

Claude Api

168k

Referencia de la API de Claude y el SDK de Anthropic — ids de modelo, precios, parámetros, streaming, tool use, MCP, agentes, caching, conteo de tokens y migración entre modelos.

Costo de contexto al activarse: 18.2k tok
Tamaño del paquete: 66 archivos
Última actualización: hace 7 días

Oficialdesarrollo apis

Mcp Builder

168k

Guía para crear servidores MCP de calidad que permitan a los LLMs interactuar con servicios externos. Úsalo al construir servidores MCP en Python (FastMCP) o Node/TypeScript (MCP SDK).

Costo de contexto al activarse: 2.3k tok
Tamaño del paquete: 10 archivos
Última actualización: hace 3 meses

Oficialdesarrollo apis

MCP Integration

141k

Guía completa para integrar servidores Model Context Protocol en plugins de Claude Code, para conectar herramientas y servicios externos.

Costo de contexto al activarse: 3.1k tok
Tamaño del paquete: 7 archivos
Última actualización: hace 9 meses

Oficialdesarrollo apis