research-pipeline

research-pipeline 技能為機器學習領域的研究人員與工程師提供了一套全面且端到端的自動化研究框架。它編排了一個完整的生命週期，從文獻綜述與創新性驗證開始，延伸至程式碼實作、多種子實驗執行、對抗式自動審查循環，以及最終的論文撰寫。透過整合跨模型協作，該管道有效避免了單一模型研究工作流中常見的局部最優問題。

• 全週期編排：自動化流程 1（想法探索）、流程 2（實驗與遞歸審查）以及流程 3（PDF/LaTeX 論文生成）。

• 對抗式審查機制：利用多代理架構（例如以 Codex 作為執行器，搭配 Claude 或 Gemini 作為審查員），確保獲得嚴格的批判性回饋。

• 靈活的配置選項：支援諸如 AUTO_PROCEED（人工檢查點）、REVIEWER_DIFFICULTY（從標準到對抗級別）以及目標學術會議（如 ICLR、NeurIPS）的精細控制。

• 持續性研究記憶：維護研究 Wiki 與實驗橋接系統，以追蹤跨複雜專案里程碑的研究發現、假設與變數關係。

• 工作流適應性：適用於 Claude Code、Cursor、Trae 等代理型整合開發環境或獨立 CLI，無需繁瑣的框架或資料庫依賴。

• 當您需要從廣泛的研究方向自主推進至可投稿的成品論文時，請使用此技能。

• 支援以研究主題作為參數；可透過參數覆蓋定義約束（如會議場地、審查難度），或直接修改本地 SKILL.md 中的常數。

• 透過 idea-stage/ 與 figures/ai_generated/ 等目錄追蹤輸出進度。

• 對於大規模實驗，請利用 /experiment-queue 調度器進行批次排程。

• 在對抗式審查階段，建議開啟 HUMAN_CHECKPOINT=true 以進行人機協作與迭代調整。