搜索「Experiments」的结果

io.github.n8n-io/n8n/experiments

指导在 packages/frontend/editor-ui 中开展实验的工作。在创建、扩展、接线、测试、评审或下线 editor-ui 实验，以及 PostHog 特性开关、实验 key 索引、变体、store/composable、实验持久化状态或实验埋点时使用。

io.github.PostHog/posthog/debugging-experiments

为查看自己结果的客户调试和支持 PostHog Experiments（A/B 测试）。只要粘贴了实验支持工单或客户提出结果相关问题就使用，最常见的是“为什么我的曝光不均？”“为什么某个变体没有流量？”“为什么我缺少/只见很少曝光？”“为什么出现偏差横幅？”“为什么 PostHog 的数字和我的 SQL 对不上？”。以只读方式拉取实验真实数据，对照已知成因清单匹配，产出面向客户的解释、修复方案与相关数字的评审。加载 diagnosing-experiment-results 作为深度诊断库。不触发：创建实验（用 creating-experiments）、仅配置放量（configuring-experiment-rollout）或指标（configuring-experiment-analytics）、询问生命周期问题（managing-experiment-lifecycle），或行为异常的是底层 feature flag 而非结果（用 debugging-feature-flags）。

io.github.foryourhealth111-pixel/Vibe-Skills/designing-experiments

在分析之前设计实验与准实验。用于选择研究设计、处理/对照结构、结果指标、假设、科学实验失败后的验证方案，以及判断 DiD、ITS、合成控制、回归断点哪种更契合研究问题。若是在已有数据上拟合模型或估计效应，请改用 performing-causal-analysis。

io.github.mem0ai/mem0/search

Search memories from earlier Cursor sessions in this repository. Use it when earlier work may already explain the code, error, decision, or command you need, so you can avoid repeating file reads, searches, or experiments.

io.github.sickn33/agentic-awesome-skills/hugging-face-trackio

Track and visualize ML training experiments with Trackio. Use when logging metrics during training (Python API), firing alerts for training diagnostics, or retrieving/analyzing logged metrics (CLI).

io.github.dotnet/aspnetcore/validate-blazor-feature

在编写 E2E 测试之前，使用本仓库的 Components 示例在浏览器中交互式验证 Blazor 特性或行为。用于：在 src/Components 中演练某项 Blazor 改动（渲染模式行为、交互组件、增强导航、表单、流式渲染、预渲染），决定选用哪个示例、在哪添加测试页面、如何设置渲染模式（Server/WebAssembly/Auto/静态 SSR）、如何确认应用真的处于交互状态（而非纯静态 SSR），以及如何检查浏览器控制台与网络错误。覆盖 BlazorWebAppGlobal、BlazorWebAppPerPage 与 BlazorWebAssemblyStandalone，针对仓库内的框架启动，并用 Playwright MCP 浏览器工具驱动。不适用于编写正式的 E2E/Selenium 或单元测试、非 Components 领域、对比方案调研，或在没有 Blazor 特性需要验证时仅做原生浏览器 API/HTML/CSS 的孤立实验——后者用最小化的浏览器探测即可。

io.github.TryGhost/Ghost/add-private-feature-flag

用于向 Ghost 添加新的私有(开发者实验)feature flag,包括后端注册与设置界面开关。

io.github.PostHog/posthog/building-html-canvases

用语义化 HTML、CSS 和直接的浏览器 API 编写 PostHog canvas——文档、文章、生成式图形、2D canvas 与 WebGL 体验，以及 React 组件不能提供有效结构的聚焦实验。在 building-canvases 把画布请求路由到纯 HTML/浏览器 API 实现之后使用。涵盖当前运行时要求的轻量组件包装、不依赖 Quill 的样式与主题、绘图画布，以及动画/清理模式。

io.github.PostHog/posthog/querying-posthog-data

在编写任何 HogQL/SQL 或调用 execute-sql 查询 PostHog 前的必读内容。当用户想搜索、查找或对 PostHog 实体（insight、仪表盘、群组、feature flag、实验、问卷、hog flow、数据仓库、person 等）做复杂聚合，以及查询分析数据（趋势、漏斗、留存、生命周期、路径、粘性、Web 分析、错误追踪、日志、会话、LLM traces）时使用。对受治理的业务或遥测指标（MRR、激活、计费用量、活跃组织、失败率）同样是第一站：先从原始事件或使用带类型的领域工具推导之前，检查语义层（system.information_schema.metrics 中的规范指标）。涵盖 HogQL 与 ClickHouse SQL 的语法差异、系统表 schema（system.*）、可用函数、查询示例与 schema 发现工作流。

io.github.K-Dense-AI/scientific-agent-skills/adaptyv

如何使用 Adaptyv Bio Foundry API 与 Python SDK 进行蛋白实验设计、提交与结果获取。只要用户提到 Adaptyv、Foundry API、蛋白结合实验、蛋白筛选实验、BLI/SPR 实验、热稳定性实验，或想提交蛋白序列进行实验表征，就使用本技能。当代码导入 `adaptyv`、`adaptyv_sdk`、`FoundryClient`，或引用 `foundry-api-public.adaptyvbio.com` 时也应触发。

io.github.PostHog/posthog/diagnosing-experiment-results

诊断 PostHog 实验中的偏差、异常与怪异结果。涵盖 0 曝光实验、样本比例失配、身份碎片化、多变体曝光、不均分导致的排除偏差、显著性陷阱（提前偷看、A/A、贝叶斯 vs 频率派）、PostHog 与 SQL 结果不一致、运行中途编辑后的意外，以及通过按变体分组问卷做定性跟进。 触发条件：用户问“我的实验有偏差吗”或“为什么 0 曝光”、提及偏差横幅、说某个变体看起来怪异/不对/不对劲、发现显著性翻转或 A/A 显著、PostHog 数字与其 SQL 不一致、报告中途编辑后的意外，或想为实验收集定性反馈/问卷。 不触发：创建实验（用 creating-experiments）、仅配置放量（用 configuring-experiment-rollout）或指标（用 configuring-experiment-analytics）、仅询问生命周期问题（用 managing-experiment-lifecycle）。

io.github.comet-ml/opik/writing-e2e-tests

当开发者要为 Opik 的某个功能、页面或分支添加、编写或创建端到端测试时使用——例如「为实验对比页添加 e2e 测试」「为刚做的功能写测试」「这个分支的 e2e 测试」「给数据集条目流程加测试」。在 tests_end_to_end/e2e/ 中跑完整个循环——分析功能与前端代码、用 Playwright MCP 探索真实 UI、编写 Page Object Model + spec，并在本地运行直到通过。

io.github.companion-inc/feynman/docker

在隔离的 Docker 容器内执行研究代码，安全地进行复现、实验与基准测试。当用户选择 Docker 作为执行环境，或要求安全地、隔离地、在沙箱中运行代码时使用。

io.github.K-Dense-AI/scientific-agent-skills/experimental-design

在数据采集之前设计实验与研究方案——选择设计类型、随机化、区组化以及安排处理组合，使结果真正可解释。当有人正在规划研究、询问如何把受试者/样本分组、提到随机化、区组、分层、对照、析因或部分析因设计、实验设计（DOE）、多因素筛选、响应面优化、交叉/重复测量/裂区设计、整群分组随机化、拉丁方、孔板布局、批次与进样顺序效应、重复与伪重复，或序贯/自适应/群序贯设计时使用。即使表述随意，例如这个实验该怎么安排、如何避免混杂、测试这 6 个因素的最佳方式、把这些小鼠分配到各处理组，也应触发。若设计已定、需要计算样本量或统计功效请使用 statistical-power，分析已采集的数据则使用 statistica。

io.github.alirezarezvani/claude-skills/chaos-engineering

用于规划、执行或从混沌工程实验中学习。触发词包括「chaos experiment」「fault injection」「gameday」「resilience test」「blast radius」「steady state」「abort criteria」「Chaos Toolkit」「Chaos Mesh」「Litmus」「Gremlin」「AWS FIS」，或任何刻意故障注入的问题。附带实验设计器、爆炸半径计算器与复盘生成器（均为 stdlib Python）、4 份关于混沌原则+实验设计+攻击分类法+工具生态的参考文档，以及 /chaos-experiment 斜杠命令。可与 feature-flags-architect（将 kill switch 作为中止触发器）及 kubernetes-operator（常见混沌目标）组合。

io.github.brycewang-stanford/Auto-Empirical-Research-Skills/cross-national-design

设计跨国问卷实验：统计功效、等价性检验与本地化。

io.github.brycewang-stanford/Auto-Empirical-Research-Skills/conjoint-design

设计 conjoint（联合）实验：属性设定、统计功效与 AMCE/AMIE 估计。

io.github.wentorai/research-plugins/automation

包含 10 项科研自动化技能。触发场景：自动化实验、跟踪结果、构建可复现流水线。定位：ML 实验管理、工作流编排与实验室自动化工具。

io.github.brycewang-stanford/Auto-Empirical-Research-Skills/automation

包含 10 个科研自动化 skill。触发场景：自动化实验、跟踪实验结果、搭建可复现流程。设计定位：ML 实验管理、工作流编排与实验室自动化工具。

io.github.patchy631/ai-engineering-hub/hugging-face-jobs

当用户想在 Hugging Face Jobs 基础设施上运行任意工作负载时使用。涵盖 UV 脚本、基于 Docker 的任务、硬件选型、成本估算、令牌认证、secrets 管理、超时配置与结果持久化。面向通用计算工作负载，包括数据处理、推理、实验、批处理及任意 Python 任务。当任务涉及云端计算、GPU 工作负载，或用户提到在 Hugging Face 基础设施上运行任务且无需本地环境时调用。

io.github.davila7/claude-code-templates/senior-data-scientist

世界级的数据科学技能，覆盖统计建模、实验设计、因果推断与高级分析。精通 Python（NumPy、Pandas、Scikit-learn）、R、SQL、统计方法、A/B 测试、时间序列与商业智能，包含实验设计、特征工程、模型评估与业务方沟通。在设计实验、构建预测模型、做因果分析或推动数据驱动决策时使用。