RigorPilot Skills
Скиллы запускают научный репозиторий по его README с ограничениями и сохраняют проверяемые доказательства, не переписывая исходный README
- 484 ★ репозитория
- Последний коммит
- MIT
Широкий доступ
Почему такой уровень
- Скилл выполняет команды из README чужого репозитория на вашей машине без песочницы ОС
- Одобренные команды имеют доступ к сети и могут скачивать данные и веса
- Запись доказательств создает файлы в целевом репозитории
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/rigorpilot-skillsОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемШирокий доступИнструмент может менять данные, выполнять команды или работать с секретами.
- Скилл выполняет команды из README чужого репозитория на вашей машине без песочницы ОС
- Одобренные команды имеют доступ к сети и могут скачивать данные и веса
- Запись доказательств создает файлы в целевом репозитории
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
RigorPilot Skills воспроизводит результаты научных репозиториев по их README. Главный скилл ai-research-reproduction читает документацию, выбирает самую маленькую задокументированную цель (вывод или оценку модели) и прогоняет ее с ограничениями по времени. Каждая сбойная ситуация записывается как допущение, отклонение или блокер, а смысл кода под успех не подгоняется. Работа идет в три шага. Plan перечисляет команды-кандидаты cmd-XX из README, выбирает самую безопасную и возвращает отпечаток выбора, ничего не запуская. Run выполняет только просмотренную команду, привязанную к этому отпечатку, и пишет доказательства в папку repro_outputs внутри целевого репозитория. Verify перепроверяет сохраненные данные, не запуская команду повторно. Доказательства лежат в ANNOTATED_README.md: тот же README, в который после каждого раздела вставлена карточка с вердиктом и ссылками на команды и логи. Убрав вставки, вы получаете исходный файл байт в байт. Рядом хранятся SUMMARY.md, COMMANDS.md, LOG.md, status.json и хэши файлов. В набор входят еще скиллы для анализа репозитория без записи, подготовки окружения и весов, запуска обучения, диагностики перед правкой и три скилла для исследовательского поиска. Они требуют явного разрешения и работают на отдельной ветке.
Для кого. Для исследователей и ML-инженеров, которые проверяют чужие репозитории с кодом к статьям и хотят получить воспроизводимый отчет вместо слов «у меня запустилось».
Подходит, если
- Нужно проверить, запускается ли заявленная в README оценка модели, и получить лог с точными командами
- Репозиторий к статье требует осторожного старта обучения с лимитом по времени и записью потерь
- Перед тем как строить свой эксперимент на чужом коде, нужен отчет о допущениях, отклонениях и блокерах
- Нужно разобрать структуру неизвестного научного репозитория без записи в него
- Нужен README с пометками по каждому разделу, где видно, что проверено, что не запускалось и что заблокировано
Не подходит, если
- Нужен пересказ статьи или общий помощник по исследованиям: скилл работает только с кодом репозитория
- Вы хотите погнаться за цифрой из статьи любой ценой: набор не меняет протокол молча и не подгоняет метрику
- Репозиторию вы не доверяете: запуск идет без изоляции, и команды получают доступ к системе
- Нужен просто разовый запуск команды или настройка окружения: для этого есть более простые скиллы
Пример запроса к агенту
Используй ai-research-reproduction: запусти минимальную оценку из README, сохрани исходник и запиши доказательства в repro_outputs, плюс размеченную копию рядом с оригиналом. Перед большими загрузками и долгим обучением спроси меняОграничения
Выполнение идет на вашей машине, песочницы ОС нет. Лимиты ресурсов и бюджета не являются жесткими квотами. Нужны Python 3.11 или новее, Git и Node.js 22.20 или новее для установщика skills. Автономный запуск с моделью поддерживает Anthropic Messages и просмотренные команды, и для него пока нет записанной успешной проверки: три попытки вернули HTTP 502. Результаты в README относятся к историческим запускам: выбор без выполнения и частичное обучение остаются неполной оценкой, а не воспроизведенной метрикой.
Как отключить. Удалите папки скиллов из каталога скиллов агента, например ai-research-reproduction, а созданную папку repro_outputs и копию RIGORPILOT_README.md в целевом репозитории можно убрать вручную. Исходный README скилл не меняет.
Частые вопросы
Как поставить RigorPilot Skills в Claude Code?
Главный скилл ставится командой npx skills add lllllllama/RigorPilot-Skills --skill ai-research-reproduction. Чтобы получить и вспомогательные скиллы, замените ключ на --all. Установщик требует Node.js не ниже 22.20.0, при ошибке EBADENGINE проверьте версию.
Меняет ли скилл мой README?
Нет. Исходный текст остается как был, а аннотированная копия вставляет в него карточки после разделов. Если убрать вставки, получится исходный файл байт в байт. Копия RIGORPILOT_README.md ложится рядом с оригиналом, если задан флаг --source-adjacent-readme.
Что значат цвета в карточках?
Зеленый: выбранные проверки прошли. Синий: команда не выполнялась. Белый: только чтение. Желтый: частично. Красный: заблокировано. Фиолетовый: нужно решение человека. Зеленый говорит о проверках, а воспроизведение результатов статьи надо подтверждать отдельно. Синий сбоем не считается.
Безопасно ли запускать чужой репозиторий этим скиллом?
Гарантий изоляции нет: одобренные команды получают доступ к хосту и сети. Запускать можно только заранее просмотренную команду из README, а установка и загрузка в цели запуска не попадают. План меняется только вместе с новым отпечатком. Запускайте лишь доверенные репозитории.
Что лежит в папке repro_outputs?
ANNOTATED_README.md с карточками по разделам, SUMMARY.md с исходом, COMMANDS.md с точными командами, LOG.md, status.json и подпапка _runtime с состоянием процесса и выводом. Хэши и размеры файлов записаны в evidence_manifest.json.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыFeynman — консольный ИИ-агент для научных исследований: обзор литературы, проверка источников, рецензия статьи и сверка ее с кодом
Autoresearch для скиллов
autoresearch
Скилл, который улучшает другой скилл: гоняет его на тестовых запросах, оценивает бинарными проверками и правит промпт
ARIS
ARIS (Auto-Research-In-Sleep)
Набор скиллов для автономных исследований по машинному обучению: обзор литературы, поиск идей, эксперименты и написание статьи с проверкой отдельной моделью
CLI-менеджер скиллов для ИИ-агентов: установка из репозиториев, перевод между форматами разных агентов и раскладка в их конфигурацию
CLI и MCP-сервер, которые превращают сайты документации, репозитории, PDF и видео в скиллы и данные для RAG
AI Research Skills
AI Research Skills Library
98 скиллов для ML-исследований: от идеи и обучения моделей до инференса, оценки и написания статьи
Коротко о README
README показывает четыре исторических запуска на известных репозиториях (micrograd, minGPT, PyTorch MNIST, nanoGPT Shakespeare) с аннотированными README и честными оговорками, что выбор без выполнения и частичное обучение не равны воспроизведенной метрике. Дальше идут установка, рекомендуемый первый запуск, границы возможностей, индекс из девяти скиллов и двух помощников, состав папки доказательств и офлайн-проверка набора.
Бейдж для README
Исходный SKILL.md
--- name: ai-research-reproduction description: Rigor Reproduce compatible skill slug for README-first deep learning repository reproduction. Use when the user wants an end-to-end, minimal-trustworthy flow that reads the repository first, selects the smallest documented inference or evaluation target, coordinates intake, setup, trusted execution, optional trusted training, optional repository analysis, and optional paper-gap resolution, enforces conservative patch rules, records evidence assumptions deviations and human decision points, and writes the standardized `repro_outputs/` bundle. compatibility: Requires Python 3.11+ and Git for bundled orchestration; target repositories may require additional reviewed dependencies, network access, or accelerators. --- # ai-research-reproduction ## Purpose Guide README-first deep learning reproduction toward the smallest trustworthy run with auditable evidence. Preserve documented meaning; record assumptions, deviations and blockers instead of changing semantics to manufacture success. Load specialized references only for a concrete uncertainty. ## Fast Path For a routine bounded run, keep the control path short: 1. Read the target README and only the target test/config/source needed to understand the documented command. 2. Run `scripts/orchestrate_repro.py --repo <repo> --plan-only --agent-output` with any explicit user timeout bound already supplied; review `command_candidates`, the selected `cmd-XX`, side-effect contract, selection fingerprint, and returned `reviewed_run_args`. 3. Run the selected candidate with `--run-selected --command-id <cmd-XX> --plan-fingerprint <fingerprint> --agent-output`. 4. Run `--verify-output --agent-output`; inspect detailed evidence files only when verification fails or the result is partial/blocked. 5. Deliver the bounded result and stop.