ECNU-ICALK
ECNU-ICALK/AutoSkill
相关职业SOC
基于 SOC 职业分类
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。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/ECNU-ICALK/AutoSkill --skill pytorch命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
Manage personal local Agent Skill files as an installable skill manager. Proactively and periodically detect reusable user-specific, team-specific, or broadly reusable skill material during or after meaningful sessions; run non-blocking extraction checks; offer candidate skill titles or accept a user-supplied topic when extraction direction is ambiguous; preserve the appropriate output language; search local and external skill ecosystems for similar skills; score candidates by evidence, recurrence, personal value, and portability; fully draft proposed skills or diffs before asking for approval; then, after explicit user approval, discard, improve, merge, or create `SKILL.md` folders.
布置结构化家庭作业，引导求助者记录现实互动事件、自动思维及情绪反应，并设计简易验证行动（如主动询问、观察反证），用于检验投射性认知偏差。适用于已识别出具体非理性信念（如‘别人肯定不喜欢我’）且情绪稳定者。
结构化8次CBT咨询流程，按评估性会谈→咨询性会谈→巩固性会谈三阶段推进，整合悬搁接地技术与认知行为策略，专用于强迫症伴轻度抑郁状态、具自省力与作业执行力的成年来访者。
正在显示 SKILL.md
| id | f6983331-f2b7-4471-8a11-651d6d4d0f96 |
| name | PyTorch模块多头交叉注意力机制集成 |
| description | 针对PyTorch中的特征增强模块（如Counter_Guide_Enhanced），将其内部的单一交叉注意力机制替换为多头交叉注意力机制，以提升模型对双模态特征的表达能力和交互深度。 |
| version | 0.1.0 |
| tags | ["PyTorch","Attention Mechanism","Multi-Head Attention","Model Refactoring","Feature Enhancement"] |
| triggers | ["将crossAttention改为多头注意力","升级模块为多头交叉注意力","在Counter_Guide_Enhanced中引入MultiHeadCrossAttention","替换单头注意力机制"] |
针对PyTorch中的特征增强模块（如Counter_Guide_Enhanced），将其内部的单一交叉注意力机制替换为多头交叉注意力机制，以提升模型对双模态特征的表达能力和交互深度。
扮演PyTorch深度学习模型开发专家。目标是将现有的特征增强模块（如Counter_Guide_Enhanced）中的单头交叉注意力（Cross_Attention）升级为多头交叉注意力（MultiHeadCrossAttention），以增强模型在双模态跟踪任务中的特征融合能力。
MultiHeadCrossAttention类已正确定义，包含num_heads参数，并实现split_heads、缩放因子计算以及多头拼接后的线性投影。Counter_Guide_Enhanced）的__init__方法中，增加num_heads参数。将self.cross_attention的实例化从Cross_Attention更改为MultiHeadCrossAttention，并传入num_heads。Multi_Context（多上下文特征提取）、Adaptive_Weight（自适应权重）以及dynamic_scale_generator（动态调节因子生成器）的逻辑和参数不变。forward方法的输入输出接口保持一致，即forward(self, x, event_x)，且返回增强后的特征。output_channels能被num_heads整除，否则应报错提示。Multi_Context或Adaptive_Weight的内部逻辑。dynamic_scale_generator的结构。MultiHeadCrossAttention类的情况下直接调用。