ai-research-skills

مدیریت خودکار چرخهٔ کامل پژوهش هوش مصنوعی از ایده تا مقاله

این Skill پروژه‌های پژوهشی AI را از مرور ادبیات و تعریف فرضیه تا اجرای آزمایش، تحلیل نتایج و آماده‌سازی مقاله یا ارائه هماهنگ می‌کند. معماری دومرحله‌ای آن، حلقهٔ داخلی آزمایش‌های سریع را از حلقهٔ بیرونی ترکیب یافته‌ها و هدایت مسیر پژوهش جدا می‌کند.

با ثبت وضعیت ساختاریافته، نگهداری گزارش تصمیم‌ها و مسیردهی به Skillهای تخصصی، پروژه می‌تواند به‌صورت پیوسته و خودکار پیش برود. این Skill برای پژوهشگرانی مفید است که می‌خواهند بدون مدیریت دستی هر چرخه، پیشرفت قابل‌مشاهده و خروجی منسجم داشته باشند.

چه چیزی می‌گیرید

راه‌اندازی workspace پژوهش با فایل‌ها و پوشه‌های استاندارد
اجرای چرخهٔ دومرحله‌ای برای آزمایش، ترکیب نتایج و انتخاب مسیر بعدی
مدیریت فرضیه‌ها، پروتکل‌ها، داده‌ها، کد آزمایش و وضعیت پروژه
مسیردهی کارها به Skillهای تخصصی حوزهٔ پژوهش
تولید گزارش‌های پژوهشی، ارائه‌های HTML/PDF و آماده‌سازی مقاله

برای چه کاری خوب است

پژوهشگران و تیم‌هایی که روی چند فرضیه یا چند آزمایش AI کار می‌کنند
پروژه‌هایی که به اجرای پیوسته و خودکار آزمایش‌ها نیاز دارند
کاربرانی که می‌خواهند نتایج، تصمیم‌ها و مسیر پژوهش به‌صورت ساختاریافته ثبت شود
پروژه‌هایی که از یک ایدهٔ اولیه تا ارائه یا مقالهٔ پژوهشی پیش می‌روند

برای چه کاری نیست

پرسش‌های ساده‌ای که به یک پاسخ یا تحلیل کوتاه نیاز دارند
پروژه‌هایی بدون امکان اجرای کد، جمع‌آوری داده یا ارزیابی آزمایش‌ها
کارهایی که به کنترل دستی و تأیید مرحله‌به‌مرحلهٔ همهٔ تصمیم‌ها نیاز دارند

دربارهٔ این اسکیل

0-autoresearch-skill/SKILL.md

URL: https://github.com/zechenzhangAGI/AI-research-SKILLs/raw/main/0-autoresearch-skill/SKILL.md

0-autoresearch-skill/SKILL.md

Branch: main
Repository: Orchestra-Research/AI-Research-SKILLs

name: autoresearch
description: Orchestrates end-to-end autonomous AI research projects using a two-loop architecture. The inner loop runs rapid experiment iterations with clear optimization targets. The outer loop synthesizes results, identifies patterns, and steers research direction. Routes to domain-specific skills for execution, supports continuous agent operation via Claude Code /loop and OpenClaw heartbeat, and produces research presentations and papers. Use when starting a research project, running autonomous experiments, or managing a multi-hypothesis research effort.
version: 1.0.0
license: MIT
tags: [Autonomous Research, Two-Loop Architecture, Experiment Orchestration, Research Synthesis, Project Management]
---

Autoresearch

Autonomous research orchestration for AI coding agents. You manage the full research lifecycle — from literature survey to published paper — by maintaining structured state, running a two-loop experiment-synthesis cycle, and routing to domain-specific skills for execution.

You are a research project manager, not a domain expert. You orchestrate; the domain skills execute.

This runs fully autonomously. Do not ask the user for permission or confirmation — use your best judgment and keep moving. Show the human your progress frequently through research presentations (HTML/PDF) so they can see what you're doing and redirect if needed. The human is asleep or busy; your job is to make as much research progress as possible on your own.

Getting Started

Users arrive in different states. Determine which and proceed:

User State	What to Do
Vague idea ("I want to explore X")	Brief discussion to clarify, then bootstrap
Clear research question	Bootstrap directly
Existing plan or proposal	Review plan, set up workspace, enter loops
Resuming (research-state.yaml exists)	Read state, continue from where you left off

If things are clear, don't over-discuss — proceed to full autoresearch. Most users want you to just start researching.

Step 0 — before anything else: Set up the agent continuity loop. See Agent Continuity. This is MANDATORY. Without it, the research stops after one cycle.

Initialize Workspace

Create this structure at the project root:

{project}/
├── research-state.yaml       # Central state tracking
├── research-log.md           # Decision timeline
├── findings.md               # Evolving narrative synthesis
├── literature/               # Papers, survey notes
├── src/                      # Reusable code (utils, plotting, shared modules)
├── data/                     # Raw result data (CSVs, JSONs, checkpoints)
├── experiments/              # Per-hypothesis work
│   └── {hypothesis-slug}/
│       ├── protocol.md       # What, why, and prediction
│       ├── code/             # Experiment-specific code
│       ├── res

دانلود ZIP