pi-autoresearch
为π项目设计的自动化实验循环工具
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：pi-autoresearch。 它的用途是：为π项目设计的自动化实验循环工具 完整的 Skill 内容见：https://321skill.com/skills/pi-autoresearch/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我为当前的π模型设置一个自动化实验，变量是学习率，从0.001到0.01分五档，评估指标是验证集准确率，提升超过0.5%则保留最优配置。” 它会引导你完成实验配置并启动自动化循环，最终报告最优参数和对应的性能提升。
介绍
该工具旨在解决在π项目开发过程中，手动进行大量实验、评估和筛选所带来的效率低下和结果难以复现的问题。它通过自动化的循环流程，帮助开发者系统地探索不同参数或代码变更对项目的影响。
使用时，开发者配置好实验目标、待测试的变量以及评估指标，工具便会自动运行实验，收集数据，并根据预设的规则（如性能提升阈值）决定是保留还是丢弃当前的代码变更。整个过程无需人工干预，实现了实验的闭环管理。
它非常适合从事算法研究、模型调优或需要进行大量A/B测试的π项目开发者。特别是当实验空间较大、需要客观量化结果时，该工具能显著提升研究迭代的速度和严谨性。
建议在使用前明确定义清晰、可量化的成功指标，并确保实验环境（如依赖、数据）的一致性。对于探索性、目标模糊的初期研究，可能需要结合人工分析来设定合理的自动化规则。
核心特点
与通用自动化脚本相比，它直接针对π项目的实验流程进行抽象和封装，提供了“运行-测量-决策”的标准循环范式；其设计灵感源于karpathy/autoresearch，但专为π生态适配，可能集成了π特定的运行和评估接口。
注意事项
不适合实验目标无法被清晰量化或决策逻辑极其复杂的探索性研究场景。
常见问题
pi-autoresearch 是做什么的？
它是一个为π项目设计的自动化实验循环工具，能自动运行实验、测量结果并决定保留或丢弃代码变更。
如何评估实验结果？
需要用户预先定义可量化的评估指标（如准确率、速度），工具根据该指标和预设的阈值进行自动判断。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/pi-autoresearch/raw/index.md 读取 pi-autoresearch 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/pi-autoresearch/raw/index.md（查看排版版本）