research-pipeline

research-pipeline 技能为机器学习领域的研究人员与工程师提供了一套全面且端到端的自动化研究框架。它编排了一个完整的生命周期，从文献综述与创新性验证开始，延伸至代码实现、多种子实验执行、对抗式自动审阅循环，以及最终的论文撰写。通过整合跨模型协作，该流水线有效避免了单一模型研究工作流中常见的局部最优问题。

• 全周期编排：自动化工作流 1（想法探索）、工作流 2（实验与递归审阅）以及工作流 3（PDF/LaTeX 论文生成）。

• 对抗式审阅机制：利用多代理架构（例如以 Codex 作为执行器，搭配 Claude 或 Gemini 作为审阅员），确保获得严格的批判性反馈。

• 灵活的配置选项：支持诸如 AUTO_PROCEED（人工检查点）、REVIEWER_DIFFICULTY（从标准到对抗级别）以及目标学术会议（如 ICLR、NeurIPS）的精细控制。

• 持久性研究记忆：维护研究 Wiki 与实验桥接系统，以追踪跨复杂项目里程碑的研究发现、假设与变量关系。

• 工作流适应性：适用于 Claude Code、Cursor、Trae 等代理型集成开发环境或独立 CLI，无需繁琐的框架或数据库依赖。

• 当您需要从广泛的研究方向自主推进至可投稿的成品论文时，请使用此技能。

• 支持以研究主题作为参数；可通过参数覆盖定义约束（如会议场地、审阅难度），或直接修改本地 SKILL.md 中的常量。

• 通过 idea-stage/ 与 figures/ai_generated/ 等目录追踪输出进度。

• 对于大规模实验，请利用 /experiment-queue 调度器进行批次排程。

• 在对抗式审阅阶段，建议开启 HUMAN_CHECKPOINT=true 以进行人机协作与迭代调整。