AI-Research-SKILLs

为什么要用

核心特性

87 项技能跨越 22 个类别：模型架构、分词、微调、后训练、分布式训练、优化、推理、安全
自动研究编排技能管理完整的实验生命周期
每项技能都有参考资料文件夹，包含官方文档、GitHub issue、教程
覆盖现代后训练（TRL、GRPO、SimPO、verl、slime）和推理（vLLM、SGLang、TensorRT-LLM、llama.cpp）

实时演示

实际使用效果

ai-research-skill.replay ▶ 就绪

0/0

安装

作者仓库 · Claude Skills 官方文档

使用场景

实战用法： AI-Research-SKILLs

用 Unsloth + LoRA 微调 Llama 模型，无需查资料

👤 在单 GPU 机器上运行微调的 ML 工程师 ⏱ ~20 min intermediate

何时使用： 你有数据集，想让 Claude 生成一个可直接运行的训练脚本，所有标志都对。

前置条件

安装了 Unsloth — pip install unsloth——技能会提醒你关于每夜版本的注意事项

步骤

描述目标运行

使用 unsloth 技能。在 ~/data/train.jsonl 数据集上微调 Llama-3-8B，使用 QLoRA，3 个 epoch，输出到 ./out。✓ 已复制

→ Claude 用正确的 Unsloth 导入和实际的 CLI 标志编写脚本
要求解释配置

逐个解释每个超参数以及原因。✓ 已复制

→ 推理基于 Unsloth 文档，而不是泛泛的 ML 套话

结果： 一个可以第一次运行成功的训练脚本。

注意事项

Claude 混合了 HF Trainer 和 Unsloth 的用法 — 坚持说'仅使用 unsloth 技能'——不要从 Transformers 技能中拉取

搭配使用： filesystem

设置一个 vLLM 服务器，为你的 GPU 配置正确的张量并行化

👤 在生产环境中部署 LLM 的基础设施工程师 ⏱ ~30 min advanced

何时使用： 你有 2-8 个 GPU，希望 Claude 为你选择正确的 --tensor-parallel-size 和 --max-model-len。

步骤

说出硬件和模型

使用 vllm 技能。在 4x H100s 上部署 Qwen2.5-72B。给我确切的启动命令和合理性检查。✓ 已复制

→ 正确的 TP 大小和量化建议
要求负载测试脚本

现在给我一个 locust 或 vllm-benchmark 脚本来验证吞吐量。✓ 已复制

→ 使用正确的 endpoint 格式的可运行基准

结果： 一个带有合理性检查和基准基线的 vLLM 部署。

注意事项

Claude 选择的 TP 大小不能整除注意力头数 — vLLM 技能的参考资料列表每个模型族的有效 TP 大小——让 Claude 引用它

搭配使用： aws

起草一篇 ML 论文，使用正确的结构和引文约定

👤 为 NeurIPS/ICML/ICLR 写论文的研究者 ⏱ ~60 min advanced

何时使用： 你有实验结果，需要一个符合投稿会议风格的论文大纲。

步骤

提供结果和会议

使用 ml-paper-writing 技能。目标是 ICLR。这是我的结果 [粘贴]。起草引言、方法和实验部分。✓ 已复制

→ 结构遵循会议约定，消融表恰当框架化
针对审稿人疑虑进行修订

审稿人 2 会反对什么？添加主动响应。✓ 已复制

→ 具体的弱点，而不是泛泛的'多做实验'

结果： 一份通过初步审查、值得打磨的草稿。

注意事项

Claude 在摘要中过度宣传 — 明确告诉它要参照顶级接收论文的克制程度

搭配使用： arxiv

组合

与其他 MCP 搭配，撬动十倍杠杆

ai-research-skill + filesystem

在 Claude 驱动实验时存储训练配置、日志和检查点

将运行配置保存在 experiments/<date>-<name>/ 下，并追踪日志。✓ 已复制

ai-research-skill + arxiv

在 ml-paper-writing 技能起草部分时拉取相关工作

找到 5 篇最近的 arXiv 论文关于 GRPO，并让 paper-writing 技能将它们编织到相关工作部分。✓ 已复制

工具

此 MCP 暴露的能力

工具	输入参数	何时调用
Autoresearch orchestrator	research goal	复杂的多阶段实验
Fine-tuning (Axolotl, LLaMA-Factory, Unsloth, PEFT)	dataset + base model	SFT / LoRA / QLoRA 运行
Post-training (TRL, GRPO, OpenRLHF, SimPO, verl, slime)	reward model or preference data	对齐、偏好优化
Distributed training (DeepSpeed, FSDP, Megatron, Accelerate)	model + cluster topology	多节点或多 GPU 训练
Inference (vLLM, SGLang, TensorRT-LLM, llama.cpp)	model + hardware	高效地部署一个模型
Optimization (Flash Attention, bitsandbytes, GPTQ, AWQ, GGUF)	model weights	将模型装入更小的硬件

成本与限制

运行它的成本

API 配额: 技能本身没有配额
每次调用 Token 数: 较重——SKILL.md + 参考资料每个子技能可以加载 5-10k 令牌
费用: 免费——技能是本地文件；你为运行的计算付费
提示: 将提示限制在一个子技能内；完整的 87 个技能库太大了，无法同时加载。

安全

权限、密钥、影响范围

凭据存储： 没有凭据——技能是提示 + 参考资料

数据出站： 技能本身没有数据外泄

一些引用的框架有快速的 API 变更——如果调用失败，请确认当前版本。

故障排查

常见错误与修复

Claude 错误地混合了两个框架（例如 Accelerate + DeepSpeed）

在提示中指定一个技能，告诉 Claude 忽略另一个。

参考资料感觉过时了

repo 是 TeX 重型的，可能落后于前沿。对于全新的框架，补充获取官方文档的新数据。

在相关提示中技能没有自动调用

按名称提及框架——87 个技能重叠，自动路由模糊。

替代方案