AB autoresearch
Автономный навык для проведения автоматизированных экспериментов с нейронными сетями. Используйте этот навык, когда пользователь хочет настроить автономные исследовательские эксперименты в области ИИ, проводить автоматизированное обучение нейронных сетей, выполнять автономные исследования в области машинного обучения или позволить ИИ-агентам экспериментировать с архитектурами моделей и гиперпараметрами. Основанный на проекте Andrej Karpathy autoresearch, этот навык позволяет ИИ-агентам автономно изменять код обучения, проводить эксперименты, оценивать результаты и итеративно улучшать модели. Используйте, когда: (1) Настраиваете автономные исследовательские эксперименты, (2) Проводите автоматизированное обучение нейронных сетей, (3) Выполняете исследования по оптимизации с помощью ИИ, (4) Экспериментируете с архитектурами моделей и гиперпараметрами, (5) Реализуете автономные исследовательские циклы, или (6) Когда пользователь упоминает "автономные исследования", "эксперименты с ИИ", "автоматизированное обучение", "оптимизация нейронных сетей" или "autoresearch".
машинный переводПоказать оригиналСкрыть оригинал«Autonomous AI research skill for running automated neural network expe…»
Autonomous AI research skill for running automated neural network experiments. This skill should be used when the user wants to set up autonomous AI research experiments, run automated neural network training, conduct autonomous machine learning research, or let AI agents experiment with model architectures and hyperparameters. Based on Andrej Karpathy's autoresearch project, this skill enables AI agents to autonomously modify training code, run experiments, evaluate results, and iteratively improve models. Use when: (1) Setting up autonomous research experiments, (2) Running automated neural network training, (3) Conducting AI-driven research optimization, (4) Experimenting with model architectures and hyperparameters, (5) Implementing autonomous research loops, or (6) When the user mentions "autonomous research", "AI experiments", "automated training", "neural network optimization", or "autoresearch".
Автономный навык для проведения автоматизированных экспериментов с нейронными сетями.
Как процесс B 73/100 · Почти готов — слабые места: согласованность, повторный запуск
Чем это грозит
Находки средней серьёзности: скорее всего скилл честный, но прочитайте, что именно насторожило сканер.
Ниже описан худший случай для этой категории. Здесь находка средней серьёзности: guard увидел признак, но не доказательство.
Скилл содержит команды, которые удаляют файлы, переписывают диски или исполняют код, скачанный из сети. Агент может выполнить их без вопроса, если считает, что так требует инструкция.
Замените разрушительные команды на безопасные аналоги с подтверждением, ограничьте область действия конкретной папкой и не тяните код через curl | bash: укажите версию и контрольную сумму.
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 1
✓ Критических и высоких находок нет
Средние и низкие: 1
-
средняя Опасные команды
cmd-pipe-to-shell-known-hostREADME.md:28Установщик через pipe в shell с известного хоста (всё равно выполняет удалённый код)curl -LsSf https://astral.sh/uv/install.sh | sh
Просканировано файлов: 7. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 73/100
- 30Повторный запуск. Изменяющих операций: 1, без проверки текущего состояния
- 40Согласованность. Имя во frontmatter (autoresearch) не совпадает с папкой (autoresearch-karpathy)
- 60Инструменты и файлы. Используются инструменты (bash, python), но во frontmatter они не объявлены
- 60Результат и критерий готовности. Формат результата описан, критерия завершения нет
- 70Когда включается. Сказано, когда применять, но не сказано, когда не стоит
- 70Входы и предусловия. Входные данные и предусловия перечислены
- 100Шаги. Шагов: 54
- 100Ошибки и развилки. Развилок: 2, есть раздел про ошибки
- 100Стоимость исполнения. Тело инструкции 1474 токенов
- 100Отчётность по ходу. Скилл сообщает о ходе работы
- low Разделов верхнего уровня: 15. Похоже на несколько доменов в одном скилле
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Длина description 916: рекомендуется 120–800 символов
- +1Лицензия не указана
- +2Инструкции на одном языке
- +5В description 5 примера фраз-триггеров в кавычках
- +4Структура: 23 заголовков
- +3Пошаговые инструкции: 54 пунктов
- +3Формат ответа описан явно
- +4Есть примеры (8 блоков кода)
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 89.