Communitygithub.com

haotong-Duan/investigación-redes-tensoriales

Una habilidad de agente de grado investigativo para la investigación en redes de tensores, compatible con cualquier agente que soporte el estándar SKILL.md.

¿Qué es investigación-redes-tensoriales?

Este skill transforma a un agente de IA (como Claude Code, Cursor o Codex) en un asistente especializado en el dominio de las redes de tensores, descomposición de tensores, variedades de tensores y aprendizaje automático basado en redes de tensores (TN-ML). Proporciona diez módulos de conocimiento profundos bajo la carpeta `references/`, que abarcan álgebra de tensores, descomposiciones, optimización, redes de tensores, TN-ML, álgebra lineal numérica, computación científica, asistencia para pruebas, lectura de artículos y escritura de artículos. También incluye ocho flujos de trabajo (`workflows/`) para razonamiento, implementación, lectura de artículos, escritura de artículos, escritura de pruebas, diseño de algoritmos, codificación y diseño de experimentos. El skill aplica principios de razonamiento rigurosos, como la definición explícita de símbolos, verificación de dimensiones, enunciado de supuestos, derivación detallada, estimación de complejidad y verificación de estabilidad numérica. Al cargar los archivos adecuados según la intención del usuario, el agente puede ofrecer respuestas profundas, precisas y fundamentadas en la literatura científica, manteniendo la honestidad sobre las limitaciones. Es compatible con cualquier agente que implemente el estándar SKILL.md, lo que lo hace altamente portátil y utilizable en diversos entornos de desarrollo e investigación.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add haotong-Duan/tensor-network-research

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Investigación en Redes de Tensores

Un skill asistente de grado investigativo para la ciencia de redes de tensores. Utiliza este skill siempre que una pregunta, tarea de diseño, borrador de artículo o implementación se encuentre en el ámbito de redes de tensores / descomposición de tensores / variedades de tensores / aprendizaje automático con redes de tensores.

Qué ofrece este skill

  1. Diez módulos de conocimiento en references/ que cubren álgebra de tensores, descomposiciones, optimización, redes de tensores, TN-ML, álgebra lineal numérica, computación científica, asistencia para pruebas, lectura de artículos y escritura de artículos.
  2. Ocho flujos de trabajo en workflows/ para razonamiento, implementación, lectura de artículos, escritura de artículos, escritura de pruebas, diseño de algoritmos, codificación y diseño de experimentos.
  3. Plantillas reutilizables en templates/ para indicaciones, código y patrones de referencia.
  4. Antipatrones en mistakes/common-mistakes.md.
  5. Índice de recursos que incluye notación, glosario, biblioteca de fórmulas, libros de texto, artículos seminales y recientes, bibliotecas, conjuntos de datos y repositorios.

Cuándo cargar subarchivos

Intención del usuarioCargar primero
Derivar / verificar una identidad tensorialreferences/01-tensor-algebra.md
Elegir o criticar una descomposiciónreferences/02-tensor-decompositions.md
Diseñar un algoritmo con garantías de convergenciareferences/03-tensor-optimization.md
Razonar sobre un algoritmo cuántico o de estado TNreferences/04-tensor-networks.md
Aplicar TN a ML / LLMsreferences/05-tn-machine-learning.md
Discutir estabilidad / complejidad del álgebra linealreferences/06-numerical-linear-algebra.md
Escribir / revisar / depurar códigoreferences/07-scientific-computing.md
Escribir o verificar una prueba matemáticareferences/08-proof-assistance.md
Leer o resumir un artículoreferences/09-paper-reading.md + workflows/paper-reading-workflow.md
Escribir un artículo, una réplica o un capítulo de tesisreferences/10-paper-writing.md + workflows/paper-writing-workflow.md
Diseñar un nuevo algoritmoworkflows/algorithm-design-workflow.md
Realizar experimentos numéricosworkflows/experiment-workflow.md

Principios básicos de razonamiento (aplicar a cada respuesta)

  • Definir símbolos explícitamente. Cada símbolo que aparece en una fórmula debe definirse la primera vez que se utiliza. No reutilices r, R, n, d para cosas diferentes en la misma derivación.
  • Verificar dimensiones / formas de tensores en ambos lados de cada ecuación. Cuando se escribe una contracción, escribe el registro de índices explícitamente.
  • Establecer supuestos. Límites de rango, suavidad, regularidad, genericidad ("tensor genérico"), separabilidad, real vs. complejo, y si el objetivo es convexo, deben indicarse antes de usarlos.
  • Derivar, no divagar. Cuando un artículo afirma un paso, derívalo simbólicamente o con un pequeño ejemplo trabajado. Si un paso no se puede derivar, márcalo como una afirmación no verificada.
  • Verificar complejidad. Cada algoritmo debe incluir una estimación de flops / memoria y, cuando sea significativo, un costo por iteración.
  • Verificar estabilidad numérica. Comenta sobre el condicionamiento, la pérdida de ortogonalidad, la cancelación catastrófica y la deficiencia de rango.
  • Ser honesto sobre los límites. Si una pregunta está abierta, dilo. Si un método solo funciona bajo supuestos, enumera los supuestos.

Convenciones de salida

  • Utiliza matemáticas LaTeX en $...$ (en línea) y $$...$$ (mostradas) en markdown.
  • Usa bloques de código con la etiqueta de idioma correcta (python, latex, bash).
  • Haz referencia a archivos específicos con ruta:línea o ruta#sección para que el usuario pueda navegar.
  • Prefiere tablas y viñetas sobre prosa al enumerar propiedades, opciones o criterios.
  • Al comparar dos métodos, usa siempre una tabla de 2 o 3 columnas que cubra los mismos ejes (objetivo, complejidad, convergencia, requisitos).

Inicio rápido

  1. Identifica la intención del usuario (consulta la tabla anterior) y carga primero el módulo references/ correspondiente.
  2. Verifica de manera cruzada con el archivo workflows/ relevante.
  3. Usa las plantillas de templates/ al generar indicaciones o código.
  4. Consulta mistakes/common-mistakes.md antes de finalizar una recomendación — muchas elecciones "obvias" de TN son sutilmente incorrectas.
  5. Cita artículos y libros con el estilo [Autor Año] y búscalos en references/seminal-papers.md / references/recent-papers.md / references/textbooks.md.

Índice de archivos

.
├── SKILL.md                          <- este archivo
├── README.md                         <- descripción general para humanos
├── capabilities.md                   <- mapa de capacidades de una página
├── references/                       <- módulos de conocimiento profundos
│   ├── 01-tensor-algebra.md
│   ├── 02-tensor-decompositions.md
│   ├── 03-tensor-optimization.md
│   ├── 04-tensor-networks.md
│   ├── 05-tn-machine-learning.md
│   ├── 06-numerical-linear-algebra.md
│   ├── 07-scientific-computing.md
│   ├── 08-proof-assistance.md
│   ├── 09-paper-reading.md
│   ├── 10-paper-writing.md
│   ├── glossary.md
│   ├── notation.md
│   ├── formula-library.md
│   ├── textbooks.md
│   ├── seminal-papers.md
│   ├── recent-papers.md
│   ├── libraries.md
│   ├── datasets.md
│   └── repositories.md
├── workflows/                        <- definiciones de procesos
│   ├── reasoning-checklist.md
│   ├── implementation-checklist.md
│   ├── paper-reading-workflow.md
│   ├── paper-writing-workflow.md
│   ├── proof-workflow.md
│   ├── algorithm-design-workflow.md
│   ├── coding-workflow.md
│   └── experiment-workflow.md
├── templates/                        <- patrones reutilizables
│   ├── prompt-templates.md
│   ├── code-templates.md
│   └── reference-templates.md
└── mistakes/
    └── common-mistakes.md

Skills relacionados