菜单
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。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
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