搜索「Experiments」的结果

ai.shipeasy/mcp

功能开关、A/B 实验、紧急停用开关、动态配置与 i18n——Shipeasy MCP 服务器。

ai.eevy/mcp

通过 MCP 接入 Shopify CRO 平台：100 多个工具覆盖分析、实验、内容创作与已验证提升。

io.github.agentmark-ai/mcp-server

检视 AgentMark 追踪记录并驱动 AgentMark Cloud：应用、实验、指标、部署。

io.github.us-all/mlflow

MLflow MCP——实验、运行、注册模型、版本、追踪与评估（支持 MLflow 3）。

io.github.hackle-io/hackle-mcp

对接 Hackle Admin API 的远程 MCP 服务器：实验、特性开关、远程配置与消息推送。

io.github.rohithraju-ops/mcp-ml-lab

从自然语言运行端到端机器学习实验（XGBoost、LightGBM、Optuna）。

com.reliasim/public

制造产线的可靠性与瓶颈仿真：运行实验、扫描缓冲区参数。

io.github.braintrustdata/braintrust

AI 评估与可观测性平台——查询实验、日志、数据集和提示词。

io.github.sohaibt/splera

面向 vibe 编码者的 A/B 测试：在 AI 编码 Agent 里创建、跟踪并上线实验。

io.scispot/mcp

把任意 LLM 变成你的实验室助手：用 AI 检索样本、跟踪实验、分析数据。

io.github.PostHog/mcp

PostHog 官方 MCP 服务器，用于产品分析、功能开关、实验等。

com.statsig/statsig-mcp-server

Statsig API 的 MCP 服务器——操作 Statsig 的功能开关、实验与分析。

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。