AI Research Skills

Установка

npx @orchestra-research/ai-research-skills

Это чужой код. Посмотрите файлы в репозитории перед установкой.

Что делает

Библиотека из 98 скиллов в 23 категориях для агентов, которые ведут исследования в области ИИ. Центральный скилл autoresearch управляет проектом по двухконтурной схеме: внутренний цикл быстро гоняет эксперименты, внешний анализирует результаты и корректирует направление. Профильные скиллы дают практические знания по Axolotl, TRL, vLLM, DeepSpeed, квантованию, RAG, мультимодальным моделям, интерпретируемости и написанию ML-статей в LaTeX.

Для кого. ML-инженерам и исследователям, которые обучают, дообучают и оценивают модели с помощью агента.

Пример запроса к агенту

Дообучи Llama через LoRA на моем датасете в Axolotl и сравни качество с базовой моделью

Ограничения

Полная установка добавляет все 98 скиллов, установщик предлагает выбрать категории или отдельные скиллы. Автономный режим autoresearch рассчитан на длительную работу агента, например через /loop в Claude Code. На Windows установщик копирует файлы вместо симлинков.

Как отключить. Запустите npx @orchestra-research/ai-research-skills и выберите удаление всех или отдельных скиллов. Для маркетплейса удалите плагины категорий через /plugin.

Проверка безопасности

• Агент запускает эксперименты, обучение и скрипты
• Длительная автономная работа может расходовать вычислительные ресурсы

Коротко о README

Orchestra Research собрала библиотеку скиллов, которая должна позволить агентам самостоятельно проводить ИИ-исследования от обзора литературы до статьи. В нее входит слой оркестрации (autoresearch, генерация идей, написание статей) и инженерные скиллы по обучению, оценке и развертыванию. Интерактивный установщик через npx сам находит установленных агентов (Claude Code, Hermes, OpenCode, Cursor, Gemini CLI) и ставит скиллы в ~/.orchestra/skills. Альтернатива для Claude Code это маркетплейс с установкой по категориям. Лицензия MIT.

SKILL.md

---
name: autoresearch
description: Orchestrates end-to-end autonomous AI research projects using a two-loop architecture. The inner loop runs rapid experiment iterations with clear optimization targets. The outer loop synthesizes results, identifies patterns, and steers research direction. Routes to domain-specific skills for execution, supports continuous agent operation via Claude Code /loop and OpenClaw heartbeat, and produces research presentations and papers. Use when starting a research project, running autonomous experiments, or managing a multi-hypothesis research effort.
version: 1.0.0
author: Orchestra Research
license: MIT
tags: [Autonomous Research, Two-Loop Architecture, Experiment Orchestration, Research Synthesis, Project Management]
---

# Autoresearch

Autonomous research orchestration for AI coding agents. You manage the full research lifecycle — from literature survey to published paper — by maintaining structured state, running a two-loop experiment-synthesis cycle, and routing to domain-specific skills for execution.

You are a research project manager, not a domain expert. You orchestrate; the domain skills execute.

**This runs fully autonomously.** Do not ask the user for permission or confirmation — use your best judgment and keep moving. Show the human your progress frequently through research presentations (HTML/PDF) so they can see what you're doing and redirect if needed. The human is asleep or busy; your job is to make as much research progress as possible on your own.

## Getting Started

Users arrive in different states. Determine which and proceed:

| User State | What to Do |
|---|---|
| Vague idea ("I want to explore X") | Brief discussion to clarify, then bootstrap |
| Clear research question | Bootstrap directly |
| Existing plan or proposal | Review plan, set up workspace, enter loops |
| Resuming (research-state.yaml exists) | Read state, continue from where you left off |

If things are clear, don't over-discuss — proceed to full autoresearch. Most users want you to just start researching.

**Step 0 — before anything else**: Set up the agent continuity loop. See [Agent Continuity](#agent-continuity-mandatory--set-up-first). This is MANDATORY. Without it, the research stops after one cycle.

### Initialize Workspace

Create this structure at the project root:

```
{project}/
├── research-state.yaml       # Central state tracking
├── research-log.md           # Decision timeline
├── findings.md               # Evolving narrative synthesis
├── literature/               # Papers, survey notes
├── src/                      # Reusable code (utils, plotting, shared modules)
├── data/                     # Raw result data (CSVs, JSONs, checkpoints)
├── experiments/              # Per-hypothesis work
│   └── {hypothesis-slug}/
│       ├── protocol.md       # What, why, and prediction
│       ├── code/             # Experiment-specific code
│       ├── results/          # Raw outputs, metrics, logs
│       └── analysis.md       # What we learned
├── to_human/                 # Progress presentations and reports for human review
└── paper/                    # Final paper (via ml-paper-writing)
```

- **`src/`**: When you write useful code (plotting functions, data loaders, evaluation helpers), move it here so it can be reused across experiments. Don't duplicate code in every experiment directory.
- **`data/`**: Save raw result data (metric CSVs, training logs, small outputs) here in a structured way. After a long research horizon, you'll need this to replot, reanalyze, and write up the paper properly. Name files descriptively (e.g., `trajectory_H1_runs001-010.csv`). Large files like model checkpoints should go to a separate storage path (e.g., `/data/`, cloud storage, or wherever the user's compute environment stores artifacts) — not in the project directory.

Initialize `research-state.yaml`, `research-log.md`, and `findings.md` from [templates/](templates/). Adapt the workspace as the project evolves — this is a starting point, not a rigid requirement.

## The Two-Loop Architecture

Похожие