作者 Orchestra-Research · Orchestra-Research/AI-Research-SKILLs
涵盖 87 项 ML 研究技能，包括训练、微调、分布式系统、推理和论文写作——Claude 成为一个可信赖的 ML 基础设施协作者。
一个精选的 Agent 技能库，专为 AI 研究和工程设计。每项技能（vLLM、DeepSpeed、Axolotl、TRL、Flash Attention、Unsloth、LLaMA-Factory 等）都附带一份 SKILL.md 快速参考（50-150 行）以及 300KB+ 的一手资料。一个自动研究编排技能负责在它们之间路由，用于端到端实验。
%APPDATA%\Claude\claude_desktop_config.json{
"mcpServers": {
"ai-research-skill": {
"command": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
],
"_inferred": true
}
}
}打开 Claude Desktop → Settings → Developer → Edit Config。保存后重启应用。
{
"mcpServers": {
"ai-research-skill": {
"command": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
],
"_inferred": true
}
}
}Cursor 使用与 Claude Desktop 相同的 mcpServers 格式。项目级配置优先于全局。
{
"mcpServers": {
"ai-research-skill": {
"command": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
],
"_inferred": true
}
}
}点击 Cline 侧栏中的 MCP Servers 图标，然后选 "Edit Configuration"。
{
"mcpServers": {
"ai-research-skill": {
"command": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
],
"_inferred": true
}
}
}格式与 Claude Desktop 相同。重启 Windsurf 生效。
{
"mcpServers": [
{
"name": "ai-research-skill",
"command": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
]
}
]
}Continue 使用服务器对象数组，而非映射。
{
"context_servers": {
"ai-research-skill": {
"command": {
"path": "git",
"args": [
"clone",
"https://github.com/Orchestra-Research/AI-Research-SKILLs",
"~/.claude/skills/AI-Research-SKILLs"
]
}
}
}
}加入 context_servers。Zed 保存后热重载。
claude mcp add ai-research-skill -- git clone https://github.com/Orchestra-Research/AI-Research-SKILLs ~/.claude/skills/AI-Research-SKILLs一行命令搞定。用 claude mcp list 验证，claude mcp remove 卸载。
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。
结果： 一个可以第一次运行成功的训练脚本。
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。
结果： 一个带有合理性检查和基准基线的 vLLM 部署。
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。
结果： 一份通过初步审查、值得打磨的草稿。
在 Claude 驱动实验时存储训练配置、日志和检查点
在 ml-paper-writing 技能起草部分时拉取相关工作
| 工具 | 输入参数 | 何时调用 | 成本 |
|---|---|---|---|
| Autoresearch orchestrator | research goal | 复杂的多阶段实验 | 0 |
| Fine-tuning (Axolotl, LLaMA-Factory, Unsloth, PEFT) | dataset + base model | SFT / LoRA / QLoRA 运行 | 0 |
| Post-training (TRL, GRPO, OpenRLHF, SimPO, verl, slime) | reward model or preference data | 对齐、偏好优化 | 0 |
| Distributed training (DeepSpeed, FSDP, Megatron, Accelerate) | model + cluster topology | 多节点或多 GPU 训练 | 0 |
| Inference (vLLM, SGLang, TensorRT-LLM, llama.cpp) | model + hardware | 高效地部署一个模型 | 0 |
| Optimization (Flash Attention, bitsandbytes, GPTQ, AWQ, GGUF) | model weights | 将模型装入更小的硬件 | 0 |
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 | 何时用它替代 | 权衡 |
|---|---|---|
| scientific-agent-skill | 你需要生物学/化学/临床，而不是 ML 训练基础设施 | 不同的领域重点 |
| huggingface MCP | 你想要实时 HF Hub 操作而不是专家提示 | MCP 给你真实的 API 动作；这个技能教授模式 |