ai-research-explore
深層学習の研究で、今ある基準（ブランチ・コミット・学習済みの状態）の上に、改良の候補を 1 つずつ試させて比べる。試したことは「候補」として分けて記録し、再現の成功とは混ぜない
npx skills add lllllllama/rigorpilot-skills/ai-research-explore入れる前にこのスキルがすること・注意点・SKILL.md の原文を確かめてください。解析は安全性の判定ではありません。
- インストール
- 344,649
- 実用度
- 45
- GitHub star
- 486
- 最終更新
- 2026/9/23
頼み方の例
そのままコピーして使えますai-research-exploreスキルを使って、main ブランチの今の学習済みモデルを基準に、学習率の調整とデータ拡張の変更を候補として試す計画を立ててください。課題・データセット・評価の方法・予算を先に固めて一覧にし、実行はまだしないでください。
対象のファイルや状況は、ご自身の作業に合わせて置き換えてください。
このスキルがすること
SKILL.md の記述から機械的に抽出- 実行可能なスクリプトが 26 件同梱されています（Python）
これは安全性の判定ではありません。 SKILL.md にそう書かれているという事実だけを並べています。実際に問題があるかは使い方と文脈で決まるため、当サイトでは断定しません。導入前に SKILL.md の原文を確認してください。
SKILL.md の規模
いつ使うか
すでにある研究の状態を基準に、改良のアイデアを試して比べたいときに効きます。公開元（rigorpilot-skills）の 2 つの親のうち「探索」の側で、もう 1 つの ai-research-reproduction が「書いてあるとおりに再現する」側です。
使う条件が 2 つ、はっきり決まっている
- 1. 探索してよいという明示の許可候補だけの作業、分けたブランチや worktree、値の掃引、複数の変化形の順位付け など
- 2. 基準になる研究の状態ブランチ、コミット、チェックポイント、実行の記録、学習済みの手元のモデル
外と内の 2 つの輪
- 外の輪リポジトリを理解し、課題・データセット・評価・予算を固め、利用者のアイデアを残し、次の実験に価値があるかを決める
- 内の輪範囲を絞った候補の変更か実行を 1 つ、軽く確かめ、証拠を集め、基準と比べて順位を付け、止まるか外の輪へ戻る
候補の順位は実行の前と後で付け直す
実行の前は「期待できる伸び・費用・成功の見込み・変更の広さ・依存の重さ・評価の危うさ・戻しやすさ」で付けます。実行の後は実際の証拠（コマンドの状態、観測した数値、変わったファイル、再現の記録）で付け直します。
使わないほうがいいとき
README のとおりに再現したいとき
ai-research-reproduction の担当です。
コードの小さな変更だけ、実行だけ、読むだけのとき
本文は、それぞれ下位のスキル（explore-code、explore-run、analyze-project）に回すよう書いています。実行と記録だけなら minimal-run-and-audit の側です。
基準の状態がまだ無いとき
比べる相手が無いと、このスキルは使えない作りです。
注意点
解析で見つかったもの
- 同梱ファイル
- 33 件
- 同梱された Python の実行できるスクリプト
- 26 件
SKILL.md の解析では、Python の実行できるスクリプトが 26 件同梱されていることが見つかっています。同梱ファイルは 33 件で、探索の方針、アイデアの評価の枠組み、研究の計画の仕様、確かめ方などの資料と、Codex 向けの設定（agents/openai.yaml）です。
文献の照会で外に接続する
同梱の照会のスクリプトは、arXiv（export.arxiv.org）、doi.org、GitHub の API（api.github.com）、渡された URL に接続して情報を取りに行きます（2026-10-09 確認）。本文は手元のキャッシュを先に見る作りとし、Web の照会は任意の扱いです。
単体では完結しない
本文は、運用の原則・研究の厳密さの原則・「必ず読め」とされる考え方の手順を、../ai-research-reproduction/references/ から読み込みます。探索側のフォルダにはその資料が無いからです。
ほかに、利用者の家のフォルダに ~/.rigorpilot/PERSONAL_RIGOR.md があれば参考として読みます（中核の原則が優先）。
「新しい発見」を約束しない
本文は、自律的な発見、ベンチマークの網羅、新規性の証明、再現の成功を約束しない、と明記しています。新規性や意義は、先行研究との比較・取り除き実験・公平な比較を経るまでは「仮説」として扱う決まりです。
探索で出た改善を、信頼できる再現の成功として見せないとも書かれています。
評価の基準は固定される
利用者が渡した評価の出どころと最先端の参照（SOTA）は、その探索の間は固定します。それが世界の全部だとは主張しない、と決めています。
インストール数は選ばれた回数ではない
インストール数は約 31 万件ですが、選ばれた回数ではありません。同じリポジトリの 11 件は約 31 万〜45 万件の 2 つの塊に収まっていて（2026-09-07 の上流集計）、一緒に入る配布の形です。この公開元の全体は rigorpilot-skills の地図にまとめています。
インストール数の推移
日次で記録9月18日 〜 11月7日（49日分）
インストール数と 1 日あたりの増加は Skillselion が に集計した値です。上流の更新は数日おきなので、前日比ではありません。GitHub star と最終更新は に GitHub から取得しました。
併用すると強いスキル
よくある質問
結果はどこに出ますか
候補だけの成果は analysis_outputs/、sources/、explore_outputs/ に書き出します。科学的な意味の変化の記録（SCIENTIFIC_CHANGELOG.md）と、比べられる範囲の報告（COMPARABILITY_REPORT.md）も含めます。Codex 向けの設定では、explore_outputs/ に CHANGESET.md・TOP_RUNS.md・status.json を書くよう指示しています。
先行研究はどう探しますか
範囲を絞って探します。手元に Zotero のような整理済みの文献があればそれを先に使い、次に渡された情報源、リポジトリの中の手がかり、公開の手がかり、必要なら Web の順です。「開かれた文献調査ではなく、出どころの確認」と位置づけられています。
対応しているエージェントはどれですか
Claude Code と Codex です。Codex 向けの設定ファイル（agents/openai.yaml）が同梱され、公開元の導入スクリプトも Claude Code 向けと Codex 向けの入れ方を分けて用意しています（2026-10-09 確認）。当サイトは公開元が明記しているものだけを「対応」として表示する方針なので、このスキルのページには両方が対応として出ます（指標の意味と限界）。