wandb-autoresearch — скилл для Claude Code: что делает и установка
Скилл wandb-autoresearch запускает серию обучающих экспериментов в W&B Launch, проверяет готовность кода и очередей, тестирует гипотезы и сохраняет состояние исследования.
Apache-2.0 387 установок ★ 76 обновлён 2026-10-23
npx skills add wandb/skills --skill wandb-autoresearch -a claude-codeЧто делает wandb-autoresearch
Скилл превращает ИИ-агента в исследователя для обучения моделей. Вместо локального вызова wandb.init() агент отправляет задачи напрямую в W&B Launch. Сначала проверяется доступность очередей и запускаемого кода, затем проводится дымовой тест на минимальных параметрах, и только после подтверждения бюджета запускаются основные прогоны.
Исследования идут последовательно: агент оценивает метрики каждого завершённого запуска перед тем, как выбрать следующую конфигурацию. Для сохранения прогресса используется скрипт autoresearch_state.py, который записывает гипотезы, очередь задач и принятые решения в локальный Markdown-файл, а при необходимости синхронизирует его с W&B Artifacts.
Для работы требуются установленный менеджер uv и настроенная инфраструктура W&B Launch с активными агентами очереди. Без доступной очереди с вычислительными ресурсами скилл не начнёт перебор параметров.
Какие задачи решает
- проверить готовность кода и доступность очередей W&B Launch
- запустить дымовой тест перед масштабным обучением модели
- последовательно протестировать гипотезы и гиперпараметры
- синхронизировать состояние исследования через W&B Artifacts
Примеры запросов агенту
- Проверь готовность очереди W&B Launch и запусти пробный тест модели
- Исследуй влияние learning rate на метрики валидации через W&B Launch с бюджетом в 5 запусков
- Сохрани текущее состояние исследования в W&B с помощью autoresearch_state.py
Как установить wandb-autoresearch
1Через Skills CLI (Vercel)
npx skills add wandb/skills --skill wandb-autoresearch -a claude-code2Вручную: положить файлы
~/.claude/skills/wandb-autoresearch/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/wandb-autoresearch/
1Через Skills CLI (Vercel)
npx skills add wandb/skills --skill wandb-autoresearch -a codex2Вручную: положить файлы
.agents/skills/wandb-autoresearch/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add wandb/skills --skill wandb-autoresearch -a cursor2Вручную: положить файлы
.cursor/skills/wandb-autoresearch/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install wandb/skills skills/wandb-autoresearch2Вручную: положить файлы
.github/skills/wandb-autoresearch/SKILL.md1Через Skills CLI (Vercel)
npx skills add wandb/skills --skill wandb-autoresearch -a gemini-cli2Командой платформы
gemini skills install https://github.com/wandb/skills --path skills/wandb-autoresearchВручную: положить файлы
.devin/skills/wandb-autoresearch/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add wandb/skills --skill wandb-autoresearch -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о wandb-autoresearch
Как установить wandb-autoresearch в Claude Code?
Выполните команду npx skills add wandb/skills --skill wandb-autoresearch -a claude-code в терминале.
Что делает wandb-autoresearch?
Скилл координирует исследование моделей машинного обучения через W&B Launch: проверяет очереди, проводит смоук-тесты, запускает эксперименты и сравнивает метрики.
Можно ли запускать эксперименты параллельно?
По умолчанию прогоны выполняются строго последовательно, чтобы агент анализировал результаты перед следующим шагом. Параллельный запуск требует прямого согласия пользователя.
Исходный текст
SKILL.md · Apache-2.0
--- name: wandb-autoresearch description: "Run bounded, evidence-driven training research through W&B Launch: assess project readiness, establish launchable code and queue capacity, smoke-test real jobs, execute serial trials, compare metrics, and persist resumable research state. Use when a coding agent is asked to autonomously test training hypotheses or tune a real W&B-tracked workload." --- <!-- SPDX-FileCopyrightText: 2026 CoreWeave, Inc. SPDX-License-Identifier: Apache-2.0 SPDX-PackageName: skills --> # W&B autoresearch Use W&B Launch to execute real training experiments, read their results, and choose the next bounded trial. Do not create a local `wandb.init()` run as a substitute for compute that was supposed to run through Launch. The Launch implementation lives in `skills/wandb-primary`: - `skills/wandb-primary/scripts/launch_helpers.py` - the `Launch` section in `skills/wandb-primary/SKILL.md` Install missing packages explicitly with `uv`; do not assume a fixed working directory or preinstalled environment. ## Flow Read only the reference for the current stage: | Stage | Entry condition | Read | |---|---|---| | Understand | Always first; inspect launchable code, queue capacity, data location, and prior state | `references/understand.md` | | Set up | Launchable code or usable queue capacity is missing | `references/setup.md` | | Search | Launchable code and queue capacity both exist | `references/search.md` | The readiness gate is `launchable code + queue with usable capacity`. A dataset may be a versioned Artifact or may be supplied by the code/image; its storage form alone does not determine readiness. ## Experiment records Use each W&B object for one job: - Runs hold trial config, metrics, system metrics, status, and code/job lineage. - Job or code Artifacts make code relaunchable. - Dataset Artifacts provide versioned inputs when the workload needs them. - Launch queues and agents provide compute. - A small local markdown file holds the hypothesis, trial tally, decisions, queue, and next step. Keep local state at a user-visible path in the current project or a path the user supplied. Sync it to a W&B Artifact only when cross-session resume is useful and the user authorizes the write: ```bash S=skills/wandb-autoresearch/scripts/autoresearch_state.py uv run --with wandb python "$S" load ENTITY PROJECT --dest . uv run --with wandb python "$S" save ENTITY PROJECT --path AUTORESEARCH_STATE.md ``` ## Compute safety - Confirm the queue, metric direction, search axis, and trial/compute budget before the first non-smoke launch. Do not exceed the agreed budget. - Smoke-test the real job at a deliberately small setting before full trials. - Change only config fields the program actually reads. Use a code edit and a new job Artifact for architecture or pipeline changes. - Run trials serially unless the user explicitly authorizes parallel compute. Inspect each completed result before selecting the next trial. - Report failures, hardware utilization, and uncertainty. Re-run a likely winner with another seed when the apparent gap could be noise. - Never fabricate a run, metric, queue result, or completion state.
© wandb · Apache-2.0 · wandb/skills