skill
استكشاف أبحاث الذكاء الاصطناعي
Rigor Explore: اسم تعريف (slug) لمهارة متوافقة مع مرشحي أبحاث التعلم العميق الهادفة والتي يحتمل أن تكون جديدة. تستخدم عندما يختار الباحث عائلة المهام، ومجموعة البيانات، والمعيار، وطريقة التقييم، ويقدم مراجع SOTA، ويرغب في استكشاف المرشحين فقط بالإضافة إلى `current_research` مع فهم مستودع قابل للتدقيق، وتحديد الأفكار، والمقارنة العادلة، والتجارب المحكومة المكتوبة في `explore_outputs/`. لا تستخدم للاستنساخ الموثوق به الذي يبدأ بملف README، أو إيجاد الاتجاهات المفتوحة، أو التضييق...
نبذة
# ai-research-explore
## الغرض
استخدم هذا كمعرف مهارة (slug) متوافق مع Rigor Explore بعد أن يأذن الباحث صراحة بالعمل المرشح فقط بناء على مرساة `current_research` دائمة. يبقى معرف المهارة المثبت هو `ai-research-explore` للتوافق. Rigor Explore مخصص لمرشحي أبحاث التعلم العميق الهادفة والتي قد تكون جديدة، مع الحفاظ على الدقة العلمية، وقابلية المقارنة، وقابلية الاستنساخ، والتعاون القابل للتدقيق. تظل الحداثة والأهمية فرضيات قبل مقارنة الأدبيات، وأدلة الإزالة، والمقارنة العادلة. لا تعد المهارة بالاكتشاف الذاتي، أو اكتمال المعايير العالمية، أو إثبات الحداثة، أو نجاح الاستنساخ الموثوق به.
ابدأ من مبادئ التشغيل المشتركة في `../ai-research-reproduction/references/agent-operating-principles.md`، ثم قم بتحميل `../ai-research-reproduction/references/research-rigor-principles.md` لمطالبات البحث و `../ai-research-reproduction/references/deep-learning-experiment-principles.md` عندما تؤثر تفاصيل التجربة على قابلية المقارنة أو الاستنساخ.
## الملاءمة
استخدم هذه المهارة فقط عندما يتضمن الطلب كلا من:
- إذن استكشاف صريح مثل العمل المرشح فقط، أو فرع معزول أو شجرة عمل (worktree)، أو مسح (sweep)، أو عدة متغيرات، أو ترتيب استكشافي. - سياق `current_research` دائم مثل فرع، أو التزام (commit)، أو نقطة تحقق (checkpoint)، أو سجل تشغيل، أو حالة نموذج محلي تم تدريبه بالفعل.
احتفظ بالطلبات الضيقة التي تتضمن التعليمات البرمجية فقط على `explore-code`. احتفظ بالطلبات الضيقة التي تتضمن التشغيل فقط على `explore-run`. احتفظ بتحليل المستودع السلبي على `analyze-project`. احتفظ بالاستنساخ الذي يبدأ بملف README على `ai-research-reproduction`.
## إيقاع البحث
استخدم إيقاعا من حلقتين:
- الحلقة الخارجية: فهم المستودع، وتجميد المهمة/مجموعة البيانات/التقييم/الميزانية، والحفاظ على أفكار المستخدم، وتعيين المصادر، وتقييم الأفكار، وتحديد ما إذا كانت التجربة التالية تستحق التشغيل. - الحلقة الداخلية: إجراء تغيير مرشح واحد محدود أو تشغيل واحد، والتحقق منه مبدئيا (smoke-check)، وجمع الأدلة، وترتيبه مقابل المرساة الحالية، ثم التوقف أو العودة إلى الحلقة الخارجية بالأدلة الجديدة.
هذا الإيقاع هو دليل، وليس حلقة ذاتية صارمة. توقف عند المعوقات الصريحة، أو المعنى العلمي غير الواضح، أو استنفاد الميزانية، أو فقدان المرساة/التقييم، أو نقطة تحقق بشرية.
## سير العمل
1. تأكيد `current_research` وإذن المسار الاستكشافي الصريح. 2. قبول إما `variant_spec` القديم أو `research_campaign` عالي المستوى. 3. في وضع الحملة، قم بتجميد المهمة، ومجموعة البيانات، والمعيار، ومصدر التقييم، والمرجع الأفضل في فئته (SOTA)، والميزانية قبل العمل المرشح. 4. قم ببناء عناصر فهم المستودع اللازمة فقط للحملة الحالية، عادة من خلال `analyze-project`. 5. قم بتشغيل بحث محدود عن المصادر يعتمد على التخزين المؤقت أولا عندما يكون دعم المصدر مهما؛ فضل الأدبيات المحلية المنسقة مثل Zotero إذا كانت متاحة، ثم المصادر الأولية، ومحددات المواقع المحلية للمستودع، ومحددات المواقع العامة، أو البحث الاختياري على الويب. تعامل مع البحث على أنه حل للمصادر، وليس بحثا مفتوحا في الأدبيات. 6. احتفظ بالأفكار التي قدمها الباحث، وأضف اختياريا مجموعة صغيرة ومحدودة من الأفكار الأولية ذات المتغير الواحد، ورتب الأفكار ببوابات صريحة وتفاصيل نقاط. 7. فضل مرشحا واحدا واضحا في كل مرة. استخدم `explore-code` لتكييف التعليمات البرمجية المحدود و `explore-run` للتجارب قصيرة الدورة أو المسوحات. 8. استخدم `minimal-run-and-audit` أو `run-train` فقط عندما تتطلب الخطة الاستكشافية دليل تنفيذ حقيقي. 9. اكتب المخرجات المرشحة فقط إلى `analysis_outputs/` و `sources/` و `explore_outputs/` حسب الاقتضاء؛ لا تقدم أبدا المكاسب الاستكشافية على أنها نجاح استنساخ موثوق به. قم بتضمين `SCIENTIFIC_CHANGELOG.md` و `COMPARABILITY_REPORT.md` للمعنى العلمي للمرشح وحدود المقارنة.
## الترتيب والأدلة
- قبل التنفيذ، رتب المرشحين حسب المكاسب المتوقعة، والتكلفة، واحتمال النجاح، ومساحة التعديل (patch surface)، وسحب التبعيات، ومخاطر التقييم، وسهولة التراجع. - بعد التنفيذ، رتب حسب الأدلة الحقيقية أولا: حالة الأمر، والمقاييس المرصودة، والعناصر، والمسارات المتغيرة، ونتائج الفحص المبدئي، وملاحظات قابلية الاستنساخ. - حافظ على تجميد `evaluation_source` و `sota_reference` التي قدمها الباحث للحملة؛ لا تدعي أنها مكتملة عالميا. - إذا كانت الأفكار العليا متقاربة جدا أو لا يمكن تقسيم التنفيذ إلى وحدات قابلة للتدقيق، فتوقف عند نقطة تحقق بدلا من الاختيار بصمت.
## مدخلات الحملة
يفضل `research_campaign` لحملات Rigor Explore، ولكن يجب أن يظل بسيطا. يتكون الجوهر الدائم من:
- `current_research` - `task_family` - `dataset` - `benchmark` - `evaluation_source` - `sota_reference` - `compute_budget`
استخدم `candidate_ideas`، `variant_spec`، `research_lookup`، `idea_policy`، `idea_generation`، `source_constraints`، `feasibility_policy`، `baseline_gate`، و `execution_policy` كإرشادات اختيارية، وليس كحقول يجب على الوكيل ملؤها لكل حملة. راجع `references/research-campaign-spec.md` للمخطط المتقدم وتوقعات العناصر.
## تحميل المراجع
- قم بتحميل `references/ai-research-explore-policy.md` لسلامة المسار ودلالات المرشح. - قم بتحميل `re`
التثبيت
شغل هذا الأمر
npx skills add lllllllama/rigorpilot-skillsيعمل مع
خطوات التثبيت
ثبت باستخدام `npx skills add lllllllama/rigorpilot-skills`، أو استنسخ المستودع وانسخ مجلد `skills/ai-research-explore` إلى دليل مهارات Claude الخاص بك.
أسئلة شائعة
ما هي مهارة استكشاف أبحاث الذكاء الاصطناعي؟
Rigor Explore: اسم تعريف (slug) لمهارة متوافقة مع مرشحي أبحاث التعلم العميق الهادفة والتي يحتمل أن تكون جديدة. تستخدم عندما يختار الباحث عائلة المهام، ومجموعة البيانات، والمعيار، وطريقة التقييم، ويقدم مراجع SOTA، ويرغب في استكشاف المرشحين فقط بالإضافة إلى `current_research` مع فهم مستودع قابل للتدقيق، وتحديد الأفكار، والمقارنة العادلة، والتجارب المحكومة المكتوبة في `explore_outputs/`. لا تستخدم للاستنساخ الموثوق به…
كيف أثبت استكشاف أبحاث الذكاء الاصطناعي؟
شغل هذا الأمر في الطرفية:
npx skills add lllllllama/rigorpilot-skillsمع أي أدوات ذكاء اصطناعي تعمل استكشاف أبحاث الذكاء الاصطناعي؟
تعمل مع claude_app، claude_code، claude_api، cursor، codex، windsurf، cline، zed.
من طور استكشاف أبحاث الذكاء الاصطناعي؟
طورها lllllllama.
هل استكشاف أبحاث الذكاء الاصطناعي مجانية؟
نعم، يمكنك استخدامها مجانا.
git clone https://github.com/anthropics/skills && cp -r skills/skills/claude-api ~/.claude/skills/
npx skills add heygen-com/hyperframes
npx skills add mattpocock/skills
npx skills add mattpocock/skills
npx skills add mattpocock/skills
npx skills add mattpocock/skills
افحص قبل التثبيت
شغل أي مصدر عبر فحوصاتنا - الظهور في الذكاء الاصطناعي والأمان والأداء واكتشاف التقنيات.
مختبر وكلاء الذكاء الاصطناعي
اختبار الذكاء الاصطناعي
فحص أمني تلقائي للموقع
الأمان
اختبار جودة المحتوى العربي بالذكاء الاصطناعي
جودة المحتوى
كاشف منصة الموقع
الترحيل
محلل سرعة الصفحة
الأداء
تدقيق الظهور في محركات الذكاء الاصطناعي
الظهور في الذكاء الاصطناعي
مولد ملف llms.txt
الظهور في الذكاء الاصطناعي
منشئ البيانات المنظمة
الظهور في الذكاء الاصطناعي
مقياس سهولة القراءة بالعربية
جودة المحتوى
حاسبة تكاليف الذكاء الاصطناعي
اختبار الذكاء الاصطناعي
محلل العناوين العربية
جودة المحتوى