Communitygithub.com

haotong-Duan/tensor-network-research

一個研究級的 AI Agent 技能,專為張量網路研究設計,可搭配任何支援 SKILL.md 標準的代理使用。

tensor-network-research 是什麼?

這是一個專業的 AI 代理技能,專注於張量網路科學領域,涵蓋張量代數、分解、優化、張量網路、張量網路機器學習、數值線性代數、科學計算、證明輔助、論文閱讀與寫作等主題。它透過 10 個知識模組、8 個工作流程、可重複使用的模板以及常見錯誤指引,幫助使用者進行嚴謹的研究與開發。該技能包含一套核心推理原則,要求明確定義符號、驗證維度、陳述假設、推導而非含糊帶過,並檢查複雜度與數值穩定性。此技能支援任何遵循 SKILL.md 標準的 AI 代理(如 Claude Code、Cursor 等),並透過結構化的檔案索引,引導使用者根據不同的意圖(如推導張量恆等式、設計演算法、閱讀論文)載入對應的子檔案。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add haotong-Duan/tensor-network-research

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

張量網路研究 (Tensor Network Research)

一個研究級的助理技能,專為張量網路科學設計。每當問題、設計任務、論文草稿或實作涉及張量網路(tensor-network)、張量分解(tensor-decomposition)、張量流形(tensor-manifold)或張量網路機器學習(tensor-network-ML)領域時,請使用此技能。

此技能提供的內容

  1. 10 個知識模組,位於 references/ 下,涵蓋張量代數、分解、優化、張量網路、張量網路機器學習、數值線性代數、科學計算、證明輔助、論文閱讀和論文寫作。
  2. 八個工作流程,位於 workflows/ 下,用於推理、實作、論文閱讀、論文寫作、證明撰寫、演算法設計、編碼和實驗設計。
  3. 可重複使用的模板,位於 templates/ 下,包含提示詞、程式碼和參考模式。
  4. 反模式,位於 mistakes/common-mistakes.md。
  5. 資源索引,涵蓋符號、詞彙表、公式庫、教科書、經典與近期論文、函式庫、資料集和儲存庫。

何時載入子檔案

使用者意圖優先載入
推導 / 驗證張量恆等式references/01-tensor-algebra.md
選擇或評論一種分解方法references/02-tensor-decompositions.md
設計一個具有收斂保證的演算法references/03-tensor-optimization.md
推理量子或張量網路態演算法references/04-tensor-networks.md
將張量網路應用於機器學習 / 大型語言模型references/05-tn-machine-learning.md
討論線性代數的穩定性 / 複雜度references/06-numerical-linear-algebra.md
撰寫 / 審閱 / 除錯程式碼references/07-scientific-computing.md
撰寫或檢查數學證明references/08-proof-assistance.md
閱讀或總結一篇論文references/09-paper-reading.md + workflows/paper-reading-workflow.md
撰寫論文、答辯或論文章節references/10-paper-writing.md + workflows/paper-writing-workflow.md
設計一個新的演算法workflows/algorithm-design-workflow.md
執行數值實驗workflows/experiment-workflow.md

核心推理原則(適用於每個回應)

  • 明確定義符號。 公式中出現的每個符號在首次使用時都必須被定義。在同一個推導過程中,不要對不同事物重複使用 r、R、n、d。
  • 驗證等式兩邊的維度 / 張量形狀。 當寫出一個縮併(contraction)時,必須明確寫出索引的記帳方式。
  • 陳述假設。 在使用之前,必須陳述秩的邊界、平滑性、正則性、一般性(「generic tensor」)、可分離性、實數 or 複數,以及目標函數是否為凸函數。
  • 推導,而非含糊帶過。 當一篇論文聲稱某個步驟時,必須以符號方式或用一個小例子進行推導。如果某個步驟無法推導,請將其標記為未經驗證的主張。
  • 檢查複雜度。 每個演算法都必須附帶浮點運算次數 / 記憶體估計,以及(在有意義的情況下)每次迭代的成本。
  • 檢查數值穩定性。 評論條件數、正交性損失、災難性抵消和秩不足。
  • 誠實面對侷限性。 如果一個問題是開放的,請直接說明。如果一個方法只在某些假設下有效,請列出這些假設。

輸出慣例

  • 在 markdown 中使用 $...$(行內)和 $$...$$(獨立行)撰寫 LaTeX 數學式。
  • 使用帶有正確語言標籤(python、latex、bash)的程式碼區塊。
  • 使用 path:line 或 path#section 引用特定檔案,以便使用者導航。
  • 在列出屬性、選項或標準時,優先使用表格和項目符號而非散文。
  • 比較兩種方法時,始終使用涵蓋相同維度(目標、複雜度、收斂性、要求)的 2 或 3 欄表格。

快速入門

  1. 識別使用者的意圖(參見上表),並首先載入相符的 references/ 模組。
  2. 對照相關的 workflows/ 檔案進行交叉檢查。
  3. 在產生提示詞或程式碼時,使用 templates/ 中的模板。
  4. 在最終確定建議之前,查閱 mistakes/common-mistakes.md — 許多「顯而易見的」張量網路選擇其實都有些微妙地錯誤。
  5. 以 [Author Year] 格式引用論文和書籍,並在 references/seminal-papers.md / references/recent-papers.md / references/textbooks.md 中查詢。

檔案索引

.
├── SKILL.md                          <- 本檔案
├── README.md                         <- 面向人類的概覽
├── capabilities.md                   <- 單頁能力地圖
├── references/                       <- 深度知識模組
│   ├── 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/                        <- 流程定義
│   ├── 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/                        <- 可重複使用的模式
│   ├── prompt-templates.md
│   ├── code-templates.md
│   └── reference-templates.md
└── mistakes/
    └── common-mistakes.md

相關技能