SuperAPI AI 工具集

Skill 广场

找到适合任务的 Agent Skill,阅读介绍并复制安装命令。

更新于 11-17 00:07

全部 Skills

254,792 个结果

iterate-ml-experiment

iterate-ml-experiment 是 Probabl 推出的一个机器学习实验管理与迭代工作流技能,用于在已有的 ML 工作区之上建立并维护“实验迭代闭环”。它关注的不是训练代码本身,而是每次实验“做什么、为什么做、什么算结果、如何记录轨迹”。技能围绕 journal/JOURNAL.md 索引文件和按实验编号命名的设计笔记(journal/NN_short_name.md)展开,要求每个实验先写设计说明并经用户明确批准,才能创建或修改 experiments/NN_*.py。它内置会话启动、下一步提议、结果记录、项目概览、实验对比、目标转向、放弃实验、复跑等多种模式,通过模式选择器判断当前请求属于哪种情况。该技能还定义了 Pre-flight 检查清单、G-DESIGN、G-RUN、G-EDA、G-CV-SPLITTER 等“门控”环节,并会调度 organize-ml-workspace、explore-ml-data、build-ml-pipeline、evaluate-ml-pipeline、test-ml-pipeline 等兄弟技能协作。它强调策略必须显式选择、审批必须明确、结果必须写入记录而非口头叙述,并保持历史实验可复现。

数据与分析137 次安装

smoke-test-ml-pipeline

为单个机器学习实验编写的冒烟测试技能,产出一个精简的 pytest 测试文件:在真实 `data/` 数据的一小部分上拟合模型,并在一个不重叠的数据切片上做预测,且不带历史 buffer。核心断言是预测行数必须等于 predict-grid 的行数(硬断言,精确相等)。触发场景包括:已批准的实验需要其冒烟测试、`pytest tests/smoke/` 因行数失败、用户询问冒烟测试为何失败、管道编辑需要有据可查、实验脚本改变了管道形状。停止条件是 `status.setup.pending` 非空(应加载 `setup-ml-project`)、没有已批准的设计或匹配的实验脚本。使用方式为:查看 `status`,阅读 journal 与 experiment,编写 `tests/smoke/test_NN_*.py`,然后运行 `python -m skore_skills smoke run --stem <stem>`。

测试与质量137 次安装