Communitygithub.com

haotong-Duan/pesquisa-redes-tensor

Uma skill de agente de nível de pesquisa para ciência de redes de tensores — funciona com qualquer agente que suporte o padrão SKILL.md

O que é pesquisa-redes-tensor?

Esta skill fornece um conjunto abrangente de conhecimento e fluxos de trabalho para apoiar a pesquisa em redes de tensores, decomposição de tensores, variedades de tensores e aprendizado de máquina baseado em tensores (TN-ML). Ela é projetada para agentes de IA (como Claude Code, Cursor, Codex) que implementam o padrão SKILL.md. A skill organiza seu conteúdo em módulos de referência profundos (10 no total), oito fluxos de trabalho processuais, templates reutilizáveis e uma lista de armadilhas comuns. Os módulos de referência cobrem desde álgebra tensorial fundamental até tópicos avançados como provas matemáticas e escrita de artigos, enquanto os fluxos de trabalho orientam o raciocínio, implementação, leitura de artigos, escrita de provas, design de algoritmos e experimentação. A skill também inclui um índice de recursos com notação, glossário, biblioteca de fórmulas, livros-texto, artigos seminais e recentes, bibliotecas de software e conjuntos de dados. Seus princípios de raciocínio principais enfatizam definição explícita de símbolos, verificação de dimensionalidade, declaração de suposições, derivação rigorosa e verificação de complexidade e estabilidade numérica. Para usar a skill, o agente identifica a intenção do usuário e carrega o módulo de referência e o fluxo de trabalho correspondentes, seguindo convenções de saída que incluem o uso de LaTeX para matemática, blocos de código com tags de linguagem e referências a arquivos específicos.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Pesquisa em Redes de Tensores

Uma skill assistente de nível de pesquisa para ciência de redes de tensores. Use esta skill sempre que uma pergunta, tarefa de design, rascunho de artigo ou implementação estiver na vizinhança de redes de tensores / decomposição de tensores / variedades de tensores / aprendizado de máquina com redes de tensores (TN-ML).

O que esta skill fornece

  1. Dez módulos de conhecimento em references/ cobrindo álgebra tensorial, decomposições, otimização, redes de tensores, TN-ML, álgebra linear numérica, computação científica, assistência a provas, leitura de artigos e escrita de artigos.
  2. Oito fluxos de trabalho em workflows/ para raciocínio, implementação, leitura de artigos, escrita de artigos, escrita de provas, design de algoritmos, codificação e design de experimentos.
  3. Templates reutilizáveis em templates/ para prompts, código e padrões de referência.
  4. Antipadrões em mistakes/common-mistakes.md.
  5. Índice de recursos cobrindo notação, glossário, biblioteca de fórmulas, livros-texto, artigos seminais e recentes, bibliotecas, conjuntos de dados e repositórios.

Quando carregar subarquivos

Intenção do usuárioCarregue primeiro
Derivar / verificar uma identidade tensorialreferences/01-tensor-algebra.md
Escolher ou criticar uma decomposiçãoreferences/02-tensor-decompositions.md
Projetar um algoritmo com garantias de convergênciareferences/03-tensor-optimization.md
Raciocinar sobre um algoritmo quântico ou de estado TNreferences/04-tensor-networks.md
Aplicar TN a ML / LLMsreferences/05-tn-machine-learning.md
Discutir estabilidade / complexidade de álgebra linearreferences/06-numerical-linear-algebra.md
Escrever / revisar / depurar códigoreferences/07-scientific-computing.md
Escrever ou verificar uma prova matemáticareferences/08-proof-assistance.md
Ler ou resumir um artigoreferences/09-paper-reading.md + workflows/paper-reading-workflow.md
Escrever um artigo, réplica ou capítulo de tesereferences/10-paper-writing.md + workflows/paper-writing-workflow.md
Projetar um novo algoritmoworkflows/algorithm-design-workflow.md
Executar experimentos numéricosworkflows/experiment-workflow.md

Princípios centrais de raciocínio (aplicar a cada resposta)

  • Defina símbolos explicitamente. Todo símbolo que aparece em uma fórmula deve ser definido na primeira vez em que é usado. Não reutilize r, R, n, d para coisas diferentes na mesma derivação.
  • Verifique as dimensões / formas dos tensores em ambos os lados de cada equação. Quando uma contração for escrita, escreva a contabilidade dos índices explicitamente.
  • Declare as suposições. Limites de posto, suavidade, regularidade, genericidade ("tensor genérico"), separabilidade, real vs. complexo e se o objetivo é convexo devem ser declarados antes de serem usados.
  • Derive, não gesticule. Quando um artigo reivindica uma etapa, derive-a simbolicamente ou com um pequeno exemplo trabalhado. Se uma etapa não puder ser derivada, sinalize-a como uma afirmação não verificada.
  • Verifique a complexidade. Todo algoritmo deve vir com uma estimativa de flops / memória e, quando significativo, um custo por iteração.
  • Verifique a estabilidade numérica. Comente sobre condicionamento, perda de ortogonalidade, cancelamento catastrófico e deficiência de posto.
  • Seja honesto sobre os limites. Se uma pergunta está em aberto, diga. Se um método funciona apenas sob suposições, liste as suposições.

Convenções de saída

  • Use matemática LaTeX em $...$ (inline) e $$...$$ (exibição) em markdown.
  • Use blocos de código com a tag de linguagem correta (python, latex, bash).
  • Referencie arquivos específicos com caminho:linha ou caminho#seção para que o usuário possa navegar.
  • Prefira tabelas e marcadores em vez de prosa ao listar propriedades, opções ou critérios.
  • Ao comparar dois métodos, use sempre uma tabela de 2 ou 3 colunas cobrindo os mesmos eixos (objetivo, complexidade, convergência, requisitos).

Início rápido

  1. Identifique a intenção do usuário (veja a tabela acima) e carregue o módulo references/ correspondente primeiro.
  2. Verifique cruzadamente com o arquivo workflows/ relevante.
  3. Use templates de templates/ ao gerar prompts ou código.
  4. Consulte mistakes/common-mistakes.md antes de finalizar uma recomendação — muitas escolhas "óbvias" de TN são sutilmente erradas.
  5. Cite artigos e livros no estilo [Autor Ano] e consulte-os em references/seminal-papers.md / references/recent-papers.md / references/textbooks.md.

Índice de arquivos

.
├── SKILL.md                          <- este arquivo
├── README.md                         <- visão geral para humanos
├── capabilities.md                   <- mapa de capacidades de uma página
├── references/                       <- módulos de conhecimento aprofundado
│   ├── 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/                        <- definições de processo
│   ├── 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/                        <- padrões reutilizáveis
│   ├── prompt-templates.md
│   ├── code-templates.md
│   └── reference-templates.md
└── mistakes/
    └── common-mistakes.md

Habilidades Relacionadas