Academic Experiments
Audytuje eksperymenty ML, blokując niepotwierdzone liczby, zanim trafią do szkicu artykułu.
Działa po konfiguracji
Co robi ten skill
Działa jak „agent śledczy eksperymentów” dla artykułów CS/AI/ML: inwentaryzuje istniejące artefakty z uruchomień, klasyfikuje każdy wynik jako newly_run, preexisting_artifact albo user_claim, próbuje odtworzyć wynik minimalną komendą zamiast od razu proponować pełny retrening, i spisuje Protocol Risks (wyciek danych, brak baseline'ów, wyniki z jednego uruchomienia). Włącz go, gdy ktoś prosi o weryfikację odtwarzalności, audyt artefaktów eksperymentu albo zbudowanie inwentarza dowodów przed wpisaniem wyników do artykułu — skill świadomie odmawia przepuszczenia niepotwierdzonego twierdzenia jako pewnego zdania w publikacji. Nie do przeglądu literatury ani pisania prozy.
Raport z testu
Na repo, gdzie README twierdzi „92% accuracy” z results.json, ale train.py tylko drukuje placeholder — skill odmówił zapisania liczby jako faktu, wymuszając [RESULT_UNVERIFIED]; baseline po prostu wpisał 92%.
Testowano: 2026-07-13 · Claude Code 2.x (agent harness)
Instalacja
git clone https://github.com/joshua-zyy/academic-paper-writer cd academic-paper-writer mkdir -p ~/.claude/skills cp -r skills/academic-experiments ~/.claude/skills/academic-experiments
Komendy i przykładowe prompty
/academic-experimentsAudytuje eksperymenty ML, blokując niepotwierdzone liczby, zanim trafią do szkicu artykułu.
Skille uruchamiają się na zwykłe polecenia — bez komend do zapamiętania. Po instalacji aktywują go prompty takie jak te (po angielsku):
Audit my ML experiment results before I cite themVerify these accuracy numbers are reproducibleInventory my experiment artifacts for the paper