fcakyon/phd-skills

是什么

phd-skills 是一个为 Claude Code（Anthropic 的 AI 编程助手）设计的插件，为机器学习研究人员添加研究专用的防护机制和工作流。它是一组命令、自动触发技能、后台代理和安全脚本，使 AI 助手在执行论文复现、训练运行调试和实验对比等科学工作时更加可靠。

解决的问题

作者（一名 ML 研究人员）发现，Claude Code 会犯下代价高昂的研究专属错误：使用错误配置启动训练任务、分析错误的数据集划分、未验证就声称测试通过、不查看图表就信任生成的数字，甚至在幻觉出的路径上执行破坏性命令。每次错误都可能浪费数周的计算资源。此插件通过添加防护机制，在错误发生前就将其捕获。

如何工作

三层结构，通过一条命令即可安装，零外部依赖：

1. 命令（共 6 个）—— 显式的斜杠命令，例如 /phd-skills:reproduce arxiv 2508.12345（从 arXiv 复现一篇论文）和 /phd-skills:xray（从 5 个维度审计一篇论文与代码和数据的一致性）。

2. 技能（共 12 个）—— 当你用自然语言描述任务时自动触发。说“为什么我的损失在发散？”时，一个以证据为先的调试技能会运行探查；说“将 run alpha 与基线进行比较”时，一个对比技能会先将实验对齐到相同 epoch 再进行判断。

3. 防护机制（共 11 个）—— 静默的后台检查。例如：一个新上下文的“研究同行”会基于实际成果物审查结论；一个脚本会阻止在 AI 可能幻觉出的路径上执行 rm -rf；另一个脚本会验证生成的图表是否真的被查看过；在长时间 ML 训练启动前运行预飞行检查清单。

此外还有两个后台 代理，Claude 会自动委派它们：一个 paper-auditor 会在隔离的工作树中交叉核对论文主张与代码/数据；一个 experiment-analyzer 会读取 wandb/neptune/tensorboard/mlflow 中的结果。

设计理念

README 强调 方法论胜于脚本 —— 技能教授的是方法，Claude 会为你的具体环境（wandb、本地文件等）生成代码，而不是提供僵化的工具。同时强调人工监督：每个技能都包含验证检查点，因为 AI 助手往往过早下结论。

总结

对于使用 Claude Code 进行严肃 ML 研究的任何人来说，这是一个实用的安全层——它并未增加新的 AI 能力，而是让现有的 AI 助手更不容易因可避免的错误而浪费你的计算资源。