用途
ai-research-explore 是一个与 Rigor Explore 兼容的技能标识（skill slug）。它适用于在研究人员已明确授权进行候选专属（candidate-only）工作、且已存在持久的 current_research 研究锚点的情况下，开展有意义的、可能具有新颖性的深度学习研究候选工作。该技能的目标是在探索过程中保持科学严谨性、可比性、可复现性和可审计的协作。需要注意的是，新颖性和重要性在完成文献对比、消融证据和公平比较之前均属假设；该技能不承诺自主发现、全球基准完备性、新颖性证明或可信复现成功。
适用条件
仅当请求同时满足以下两项时才使用此技能：
- 显式的探索授权，例如候选专属工作、隔离分支或工作树、扫描（sweep）、多个变体、探索性排序等。
- 持久的 current_research 上下文，例如分支、提交、检查点、运行记录或已训练的本地模型状态。
对于仅涉及代码的窄请求，应使用 explore-code；对于仅涉及运行的窄请求，应使用 explore-run；对于被动的仓库分析，应使用 analyze-project；对于 README 优先的复现，应使用 ai-research-reproduction。
研究节奏
该技能采用双循环节奏：
- 外循环：理解仓库，冻结任务、数据集、评估方式和预算，保留用户想法，梳理来源，对想法进行门控，并判断下一个实验是否值得运行。
- 内循环：进行一次有边界的候选变更或运行，进行冒烟检查（smoke-check），收集证据，将其与当前锚点进行排序比较，然后决定停止或带着新证据返回外循环。
该节奏是指导而非僵化的自主循环。在遇到明确阻塞、科学意义不清、预算耗尽、缺少锚点或评估、或人工检查点时，应停止。
工作流程
- 确认 current_research 和显式的探索通道授权。
- 接受旧的 variant_spec 或更高级别的 research_campaign。
- 在 campaign 模式下，在候选工作之前冻结任务、数据集、基准、评估来源、SOTA 参考和预算。
- 仅构建当前 campaign 所需的仓库理解工件，通常通过 analyze-project 完成。
- 当来源支持很重要时，进行有边界的、缓存优先的来源查找；优先使用本地整理文献（如 Zotero，若可用），然后是种子来源、仓库本地定位器、公共定位器或可选的网络查找。将查找视为来源解析，而非开放式文献检索。
- 保留研究人员提供的想法，可选地添加少量有边界的单变量种子想法，并使用显式门控和评分明细对想法进行排序。
- 优先一次只处理一个明确的候选。使用 explore-code 进行有边界的代码适配，使用 explore-run 进行短周期试验或扫描。
- 仅当探索计划需要真实执行证据时，才使用 minimal-run-and-audit 或 run-train。
- 酌情将候选专属输出写入 analysis_outputs/、sources/ 和 explore_outputs/；绝不将探索性收益呈现为可信复现成功。包含 SCIENTIFIC_CHANGELOG.md 和 COMPARABILITY_REPORT.md，用于记录候选科学意义和比较边界。
排序与证据
- 执行前：根据预期增益、成本、成功可能性、补丁范围、依赖阻力、评估风险和回滚难易度对候选进行优先级排序。
- 执行后：优先按真实证据排序，包括命令状态、观测指标、工件、变更路径、冒烟结果和可复现性说明。
- 在整个 campaign 期间保持研究人员提供的 evaluation_source 和 sota_reference 冻结；不要声称它们在全局上是完备的。
- 如果首选想法过于接近，或实现无法分解为可审计单元，应停止并设置检查点，而不是静默选择。
Campaign 输入
Rigor Explore campaign 首选 research_campaign，但应保持最小化。持久核心为：current_research、task_family、dataset、benchmark、evaluation_source、sota_reference、compute_budget。candidate_ideas、variant_spec、research_lookup、idea_policy、idea_generation、source_constraints、feasibility_policy、baseline_gate 和 execution_policy 作为可选指导，而非每个 campaign 都必须填写的字段。高级 schema 和工件预期见 references/research-campaign-spec.md。
参考加载
- 加载 references/ai-research-explore-policy.md 以了解通道安全性和候选语义。
- 仅当存在 campaign 文件或用户要求 Rigor Explore campaign 治理时，才加载 references/research-campaign-spec.md。
- 加载 ../ai-research-reproduction/references/explore-variant-spec.md 以了解运行级变体矩阵细节。
- 在提出或排序候选变更之前，加载 ../ai-research-reproduction/references/research-thinking-loop.md；这是必需的贪心“观察-扎根-设计-比较”循环。
- 在做出新颖性、贡献、SOTA 或可比性声明之前，加载 ../ai-research-reproduction/references/research-rigor-principles.md。
- 若存在 ~/.rigorpilot/PERSONAL_RIGOR.md，则在 ../ai-research-reproduction/references/continuous-learning-policy.md 下查阅（仅供参考；核心优先）。
- 当训练、评估、基线、消融、指标、检查点或数据集细节重要时，加载 ../ai-research-reproduction/references/deep-learning-experiment-principles.md。
- 使用 scripts/orchestrate_explore.py 和 scripts/write_outputs.py 进行现有的确定性工件工作流。
限制
该技能的官方资料中未提供关于收费、价格、平台支持范围、可量化效果或具体使用步骤的更多信息。它不承诺自主发现、全球基准完备性、新颖性证明或可信复现成功。来源信息和参考资料以原始仓库中的引用路径为准。