القائمة
基于 autoflow-setup 生成的配置自动执行 ML/DL 项目流程。读取 .autoflow/ 配置目录，执行训练、推理、评估、预处理等任务，支持错误自动修复和参数调优。触发场景：(1) 用户说"运行自动化流程"或"执行训练/推理"；(2) 项目已有 .autoflow/ 配置目录；(3) 需要自动化执行和优化 ML/DL 任务。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
帮助中文母语者阅读英文学术论文的专业助手。支持 PDF、Markdown、LaTeX 源码、截图等多种输入格式。 提供论文速览、逐节精读、公式拆解、图表解读、术语中英对照、批判性分析等功能。 自动联网搜索论文引用的其他文献补充上下文。可将阅读笔记输出为 Markdown 文件。 TRIGGER when: 用户要求阅读/解读/翻译/总结英文论文，或提供了学术论文（PDF/截图/LaTeX/Markdown）要求讲解。 DO NOT TRIGGER when: 一般性的英文翻译、非学术文档的阅读、写论文（而非读论文）。
学术创新点探索与验证工具。使用 Claude + Codex(--search) + Gemini 三个 CLI 工具协同检索文献、分析创新点、评估顶会发表潜力。使用场景：(1) 给定研究方向，自动寻找可行创新点；(2) 给定具体想法或文档，验证其新颖性和可行性，评估是否会与现有工作撞车。适用于 AI 顶会（NeurIPS、ICLR、ICML、CVPR 等）论文选题。
深度学习/机器学习项目自动化配置工具。分析项目结构，与用户交互确认环境、路径、命令等配置，生成 .autoflow/ 配置目录供 autoflow-run 使用。触发场景：(1) 用户说"帮我构建自动化运行配置"或"配置自动化流程"；(2) 需要为 ML/DL 项目创建可复现的运行环境；(3) 准备项目的自动化训练/推理/评估流程。
| name | autoflow-run |
| description | 基于 autoflow-setup 生成的配置自动执行 ML/DL 项目流程。读取 .autoflow/ 配置目录，执行训练、推理、评估、预处理等任务，支持错误自动修复和参数调优。触发场景：(1) 用户说"运行自动化流程"或"执行训练/推理"；(2) 项目已有 .autoflow/ 配置目录；(3) 需要自动化执行和优化 ML/DL 任务。 |
基于 autoflow-setup 生成的 .autoflow/ 配置，自动执行 ML/DL 项目的各种流程。
项目根目录必须存在 .autoflow/ 配置目录（由 autoflow-setup 生成）。
如果不存在，提示用户先运行 autoflow-setup。
读取 .autoflow/ 目录下的所有配置文件：
project.yaml - 项目信息env.yaml - 环境配置paths.yaml - 路径配置commands.yaml - 运行命令hardware.yaml - 硬件要求misc.yaml - 其他配置与用户确认要执行的任务：
| 任务类型 | 说明 |
|---|---|
| preprocess | 数据预处理 |
| train | 模型训练 |
| evaluate | 模型评估 |
| inference | 模型推理 |
| custom | 自定义命令 |
根据用户选择执行相应命令：
1. 显示即将执行的命令
2. 用户确认后执行
3. 实时显示输出
4. 捕获错误和警告
自动错误处理：
| 错误类型 | 自动处理策略 |
|---|---|
| CUDA out of memory | 建议减小 batch_size，提供修改命令 |
| Module not found | 自动安装缺失依赖 |
| File not found | 检查路径配置，提示用户确认 |
| Permission denied | 提示权限问题，建议解决方案 |
参数调优建议：
根据执行结果提供优化建议：
执行完成后更新 .autoflow/ 配置：
misc.yaml 中的 troubleshooting（如有新问题）用户: "运行训练"
→ 读取 commands.yaml 中的 train 命令
→ 激活环境并执行
用户: "运行完整流程"
→ 按顺序执行: preprocess → train → evaluate
→ 每步完成后确认是否继续
用户: "用 batch_size=16 运行训练"
→ 在原命令基础上覆盖参数
→ 记录本次使用的参数
用户: "从 checkpoint 继续训练"
→ 检查 paths.yaml 中的 checkpoint_dir
→ 找到最新 checkpoint 并恢复
检查配置存在
检查 .autoflow/ 目录是否存在
不存在则提示运行 autoflow-setup
读取所有配置
使用 Read 工具读取所有 yaml 文件
解析并验证配置完整性
确认执行任务
使用 AskUserQuestion 确认：
- 要执行的任务类型
- 是否需要覆盖参数
- 是否需要特殊处理
准备执行环境
激活 Python 环境
验证依赖和路径
检查硬件可用性
执行命令
使用 Bash 工具执行命令
实时监控输出
捕获错误信息
处理结果
成功: 显示结果摘要，更新配置
失败: 分析错误，提供解决方案