用途
explore-run 是 Rigor Improve / Rigor Explore 的 run 叶子技能，用于在深度学习研究仓库中开展有界探索性证据工作。安装后的 slug 仍保持 explore-run 以兼容。
该技能应遵循 ../ai-research-reproduction/references/agent-operating-principles.md 中的共享操作原则，在规划候选运行时保留对当前活跃仓库的模型判断。
何时应用
- 当研究者明确授权探索性运行时。
- 当任务属于小规模子集验证、短周期训练探针、批量扫描、空闲 GPU 搜索或快速迁移学习试验时。
- 当输出应当对候选运行进行排序，而不是认证可信成功时。
何时不应用
- 当用户想要可信训练执行或保守验证时。
- 当没有明确的探索性授权时。
- 当任务属于仓库设置、接入或调试时。
清晰边界
- 本技能只负责探索性执行规划与总结。
- 当任务同时涉及 current_research 协调与探索性代码变更时，应改用 ai-research-explore。
- 它可以把实际命令执行移交给 minimal-run-and-audit 或 run-train。
- 它应保持实验状态与可信基线隔离。
- 它应在较重的探索性运行之前优先进行小规模子集与短周期检查。
- 它应把运行结果标注为有界证据，并说明比较在何时不是直接公平的。
排序语义
- 执行前的候选选择使用三个因素：成本（cost）、成功率（success_rate）与预期收益（expected_gain）。
- 除非研究者明确提供 selection_weights，默认权重应保持保守。
- 打分之后仍通过 max_variants 与 max_short_cycle_runs 进行预算剪枝。
- 如果运行随后被执行，下游排序应切换到真实执行证据，而不是继续纯启发式。
变体规格提示
- 使用 variant_axes 定义候选维度网格。
- 使用 subset_sizes 与 short_run_steps 表达探索性运行规模。
- 使用 selection_weights 重新平衡成本、成功率与预期收益。
- 使用 primary_metric 与 metric_goal，使下游排序能一致地对已执行候选排序。
输出预期
explore_outputs/CHANGESET.md explore_outputs/SCIENTIFIC_CHANGELOG.md explore_outputs/COMPARABILITY_REPORT.md explore_outputs/TOP_RUNS.md explore_outputs/status.json
备注
使用 references/execution-policy.md、../ai-research-reproduction/references/explore-variant-spec.md、../ai-research-reproduction/references/deep-learning-experiment-principles.md、scripts/plan_variants.py 以及 scripts/write_outputs.py。