# experimental-design

Помогает спланировать эксперимент до сбора данных: выбрать схему, рандомизировать, разбить на блоки и разложить комбинации факторов. Пригодится, когда исследование ещё в проекте.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 1400 установок · ★ 54652
- Автор: K-Dense-AI
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/experimental-design/SKILL.md
- Обновлён: 2026-10-19
- HTML: https://affpapa.org/nevibecode/skills/experimental-design

## Что делает

Скилл разбирает решения, которые принимают до сбора данных: как назначить объекты по группам, что держать постоянным, что менять. Три опоры — рандомизация, повторности и блокировка. Рандомизация даёт право на причинные выводы, повторности позволяют оценить разброс, блокировка убирает известный шум вроде партии, дня или площадки. Отдельно разбирается псевдоповторность: повторные измерения на одном объекте — не независимые повторности, и это самая частая ошибка, из-за которой данные потом не спасти.

Внутри есть дерево выбора схемы: полностью рандомизированная, рандомизированные блоки, кроссовер, кластерная рандомизация, дробный факторный план для отсеивающего эксперимента, полный факторный 2^k, поверхность отклика, латинский гиперкуб. Дальше идут справочники по рандомизации и блокировке, факторным планам, типам схем и последовательным/адаптивным дизайнам. Скрипты `scripts/randomization.py` строят расписания назначения, а обёртки над `pydoe` возвращают планы в реальных единицах факторов.

Нужен Python 3.12 или новее с `numpy`, `pandas` и `pydoe` 1.5.0 — на нём держатся матрицы DOE. Сеть требуется только для установки пакетов, учётные данные не нужны. На Windows интерпретатор окружения лежит в `.venv-design/Scripts/python.exe`. Скилл готовит план, но не ведёт набор участников и не скрывает будущие назначения от тех, кто набирает людей.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill experimental-design -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/experimental-design/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/experimental-design/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill experimental-design -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/experimental-design/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill experimental-design -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/experimental-design/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install K-Dense-AI/scientific-agent-skills experimental-design
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/experimental-design/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill experimental-design -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/K-Dense-AI/scientific-agent-skills --path skills/experimental-design
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/experimental-design/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill experimental-design -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/experimental-design/SKILL.md

## Когда брать
- выбрать схему эксперимента под конкретный вопрос и структуру объектов
- распределить образцы по группам случайно и воспроизводимо
- убрать шум партии, дня или площадки через блокировку
- отсеять много факторов дробным факторным планом
- найти настройки, оптимизирующие отклик, поверхностью отклика

## Примеры запросов агенту
- Помоги спланировать эксперимент: как распределить 60 образцов между двумя группами?
- Как разбить эти факторы на блоки, чтобы день и партия не путались с эффектом?
- Сгенерируй план дробного факторного эксперимента для отсеивающего прогона

## Похожие
- [anysearch](https://affpapa.org/nevibecode/skills/anysearch.md) — скилл · 38500 установок
- [academic-paper](https://affpapa.org/nevibecode/skills/academic-paper.md) — скилл · 10800 установок
- [nature-figure](https://affpapa.org/nevibecode/skills/nature-figure.md) — скилл · 18800 установок
- [academic-paper-reviewer](https://affpapa.org/nevibecode/skills/academic-paper-reviewer.md) — скилл · 9800 установок
- [nature-polishing](https://affpapa.org/nevibecode/skills/nature-polishing.md) — скилл · 17500 установок
- [nature-citation](https://affpapa.org/nevibecode/skills/nature-citation.md) — скилл · 15600 установок

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md