AI-Research-SKILLs

لماذا تستخدمه

الميزات الأساسية

87 مهارة عبر 22 فئة: معماريات النموذج والترميز والضبط الدقيق والتدريب اللاحق والتدريب الموزع والتحسين والاستدلال والأمان
مهارة autoresearch orchestrator تدير دورة حياة التجربة الكاملة
مجلد مراجع لكل مهارة يتضمن الوثائق الرسمية وقضايا GitHub والبرامج التعليمية
يغطي التدريب اللاحق الحديث (TRL و GRPO و SimPO و verl و slime) والاستدلال (vLLM و SGLang و TensorRT-LLM و llama.cpp)

عرض مباشر

كيف يبدو في الممارسة

ai-research-skill.replay ▶ جاهز

0/0

التثبيت

مستودع المؤلف · وثائق Claude Skills الرسمية

حالات الاستخدام

استخدامات عملية: AI-Research-SKILLs

ضبط دقيق لنموذج Llama مع Unsloth + LoRA بدون البحث على الإنترنت

👤 مهندسو التعلم الآلي الذين يقومون بالضبط الدقيق على صندوق GPU واحد ⏱ ~20 min intermediate

متى تستخدمه: عندما يكون لديك مجموعة بيانات وتريد من Claude أن ينتج نص برنامج تدريب قابل للتشغيل مع الأعلام الصحيحة.

المتطلبات الأساسية

تثبيت Unsloth — pip install unsloth — ستذكرك المهارة بتحذيرات الإصدار الليلي

الخطوات

صف مسار التشغيل المستهدف

استخدم مهارة unsloth. اضبط Llama-3-8B بدقة على مجموعة البيانات الخاصة بي في ~/data/train.jsonl و QLoRA و 3 حقب و الإخراج إلى ./out.✓ تم النسخ

→ يكتب Claude نص برنامج بواردات Unsloth الصحيحة وأعلام CLI الحقيقية
اطلب شرح الإعدادات

شرح لي كل معامل فائق وسبب استخدامه.✓ تم النسخ

→ التفكير المستند إلى وثائق Unsloth وليس الكليشيهات العامة للتعلم الآلي

النتيجة: نص برنامج تدريب يعمل من المحاولة الأولى.

المزالق

Claude يخلط بين أنماط HF Trainer و Unsloth — أصر على 'استخدام مهارة unsloth فقط' — لا تسحب من مهارة Transformers

اجمعها مع: filesystem

إعداد خادم vLLM مع توازي الموتر الصحيح لوحدات GPU الخاصة بك

👤 مهندسو البنية التحتية الذين يخدمون LLMs في الإنتاج ⏱ ~30 min advanced

متى تستخدمه: عندما يكون لديك 2-8 وحدات GPU وتريد من Claude أن يختار --tensor-parallel-size و --max-model-len الصحيحة.

الخطوات

حدد الأجهزة والنموذج

استخدم مهارة vllm. خدم Qwen2.5-72B على 4x H100s. أعطني أمر الإطلاق الدقيق واختبارات الصحة.✓ تم النسخ

→ توصية حجم TP والتكمية الصحيحة
اطلب نص برنامج اختبار الحمل

الآن أعطني نص برنامج locust أو vllm-benchmark للتحقق من الإنتاجية.✓ تم النسخ

→ معيار قابل للتشغيل باستخدام تنسيق endpoint الصحيح

النتيجة: نشر vLLM مع اختبارات الصحة وخط أساس المعيار.

المزالق

Claude يختار حجم TP لا ينقسم على رؤوس الانتباه — قائمة مراجع مهارة vLLM تسرد أحجام TP الصحيحة لكل عائلة نموذج — اطلب من Claude أن ينقل ذلك

اجمعها مع: aws

صياغة ورقة بحثية في التعلم الآلي بالهيكل الصحيح واتفاقيات الاستشهاد

👤 الباحثون الذين يكتبون لـ NeurIPS/ICML/ICLR ⏱ ~60 min advanced

متى تستخدمه: عندما يكون لديك نتائج التجربة وتحتاج إلى مخطط ورقة يطابق أسلوب الفعالية.

الخطوات

قدم النتائج والفعالية

استخدم مهارة ml-paper-writing. استهدف ICLR. إليك النتائج الخاصة بي [الصق]. صيغ الأقسام الافتتاحية والطريقة والتجارب.✓ تم النسخ

→ الهيكل يتبع اتفاقيات الفعالية وجداول الاستئصال موضوعة بشكل صحيح
مراجعة لمخاوف المراجعين

ماذا سيعترض عليه المراجع 2؟ أضف ردود استباقية.✓ تم النسخ

→ نقاط ضعف محددة وليس 'أضف المزيد من التجارب' العامة

النتيجة: مسودة تجتاز مراجعة الصحة الأولية وتستحق التلميع.

المزالق

Claude يبالغ في الادعاءات في الملخص — أخبره بوضوح أن يعكس اعتدال الأوراق المقبولة من الطراز الأول

اجمعها مع: arxiv

التركيبات

اجمعها مع خوادم MCP أخرى لتحقيق نتائج x10

ai-research-skill + filesystem

تخزين تكوينات التدريب والسجلات والنقاط الفحص بينما يقود Claude التجارب

احفظ إعدادات التشغيل تحت experiments/<date>-<name>/ واتبع السجلات.✓ تم النسخ

ai-research-skill + arxiv

اسحب الأعمال ذات الصلة بينما تصيغ مهارة ml-paper-writing الأقسام

ابحث عن 5 أوراق arXiv حديثة حول GRPO واطلب من مهارة كتابة الأوراق أن تدمجها في قسم الأعمال ذات الصلة.✓ تم النسخ

الأدوات

ما يوفره هذا الـ MCP

الأداة	المدخلات	متى تستدعيها
Autoresearch orchestrator	research goal	تجارب معقدة متعددة المراحل
Fine-tuning (Axolotl, LLaMA-Factory, Unsloth, PEFT)	dataset + base model	تشغيلات SFT / LoRA / QLoRA
Post-training (TRL, GRPO, OpenRLHF, SimPO, verl, slime)	reward model or preference data	المحاذاة وتحسين التفضيل
Distributed training (DeepSpeed, FSDP, Megatron, Accelerate)	model + cluster topology	التدريب متعدد العقد أو متعدد GPU
Inference (vLLM, SGLang, TensorRT-LLM, llama.cpp)	model + hardware	خدمة النموذج بكفاءة
Optimization (Flash Attention, bitsandbytes, GPTQ, AWQ, GGUF)	model weights	ملاءمة النموذج على أجهزة أصغر

التكلفة والحدود

تكلفة التشغيل

حصة API: لا توجد حصة API للمهارة نفسها
الرموز لكل استدعاء: ثقيل — SKILL.md والمراجع يمكن أن تحمل 5-10k رمز لكل مهارة فرعية
التكلفة المالية: مجاني — المهارات ملفات محلية؛ تدفع مقابل الحساب الذي تقوم به
نصيحة: حصر الموجهات على مهارة فرعية واحدة في كل مرة؛ مكتبة 87 مهارة الكاملة كبيرة جداً لتحميلها في نفس الوقت.

الأمان

الصلاحيات والأسرار ونطاق الأثر

تخزين بيانات الاعتماد: لا توجد بيانات اعتماد — المهارة عبارة عن موجهات + مراجع

نقل البيانات الخارجي: لا توجد بيانات خارجة من المهارة نفسها

بعض الأطر المرجعية لها تغيير سريع في API — تأكد من الإصدار الحالي إذا فشلت استدعاء.

استكشاف الأخطاء

الأخطاء الشائعة وحلولها

Claude blends two frameworks (e.g. Accelerate + DeepSpeed) incorrectly

سمِّ مهارة واحدة في الموجه واطلب من Claude أن يتجاهل الأخرى.

References feel outdated

المستودع ثقيل TeX وقد يتأخر عن الحافة الحادة. للأطر الجديدة تماماً، استكمل بجلب جديد للوثائق الرسمية.

Skill not auto-invoking on a relevant prompt

اذكر الإطار باسمه — 87 مهارة تتداخل والتوجيه التلقائي غامض.

البدائل