Skill Rigor Debug / Rigor Audit para investigación de deep learning: diagnóstico conservador ante tracebacks o fallos de entrenamiento, separando fixes de depuración de contribuciones de investigación.
en todo el repo
0–100, la ruta de este skill
último commit aquí
últimos 90 días
114 tok en reposo
9 KB
Funciona con cualquier agente que lea SKILL.md
npx -y skills add lllllllama/RigorPilot-Skills --skill safe-debug --agent claude-codeSe instala solo en este repositorio.
Di cualquiera de estas frases y el agente debería cargar este skill.
Use this as the Rigor Debug / Rigor Audit skill. The installed slug remains
safe-debug for compatibility.
Use the shared operating principles in
../../references/agent-operating-principles.md; this skill should guide
conservative diagnosis without blocking the model from finding the local root
cause.
debug_outputs/DIAGNOSIS.mddebug_outputs/PATCH_PLAN.mddebug_outputs/status.jsonUse references/debug-policy.md, ../../references/research-rigor-principles.md, and the shared ../../references/research-pitfall-checklist.md.
Reproducido de lllllllama/RigorPilot-Skills bajo licencia MIT. Leer esta página en markdown.
4 archivos en el paquete. Solo se lee SKILL.md al activarse — las referencias se cargan si el skill decide que las necesita.
Usa los principios compartidos en ../../references/agent-operating-principles.md, references/debug-policy.md y los otros archivos de referencia del proyecto.
Este repo incluye 11 skills. Si instalas uno, normalmente ya tienes los demás.
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/`.
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.
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.
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.
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/.
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/.
Úsalo al completar tareas, implementar features mayores, o antes de mergear, para verificar que el trabajo cumple los requisitos.
Úsalo antes de afirmar que un trabajo está completo, corregido o pasando, antes de hacer commit o crear PRs: exige ejecutar comandos de verificación y confirmar la salida antes de cualquier afirmación de éxito.
Úsalo al recibir feedback de code review, antes de implementar sugerencias, sobre todo si el feedback parece poco claro o técnicamente cuestionable: exige rigor técnico y verificación, no acuerdo performativo ni implementación ciega.
