Synthèse automatique
Impose un cycle fermé affirmation → hypothèse → test borné → preuve → décision pour les projets de recherche, avec des garde-fous avant de coder et à la clôture de chaque expérience.
Points forts
- Rejette les demandes vagues et exige une hypothèse falsifiable, un critère d'arrêt et un budget de temps avant toute implémentation.
- Impose une décision unique par expérience (supported, falsified, inconclusive, terminated) et refuse le « il faut plus d'expériences » comme verdict.
- S'appuie sur un graphe d'affirmations et un état CLI pour suivre la frontière des tests prêts et consigner explicitement les idées hors périmètre.
- Le mode « graduation » privilégie le code existant, un environnement minimal et une décision explicite plutôt qu'une méthode supplémentaire.
Limites
- Suppose une arborescence .research/ et les scripts Python research_closure.py et claim_graph.py déjà en place.
- Le formalisme des garde-fous peut être lourd pour des tâches courtes ou purement exploratoires.
- Les outils en ligne de commande ne sont pas fournis par la skill ; son efficacité dépend de leur implémentation.
À utiliser au démarrage d'une expérience, lors d'un changement de périmètre ou pour clôturer des résultats avec une décision traçable.
À éviter pour du brainstorming ouvert ou des prototypes rapides où aucun énoncé testable ne peut être figé à l'avance.
Analyse de sécurité
PrudenceThe skill is a research-process discipline document with no destructive commands, no network calls, no credential handling, and no obfuscation. Its only execution surface is invoking project-local Python CLI tools and reading/writing a `.research/` state directory, which is legitimate for its purpose but does mean the agent runs code it cannot verify from the skill text alone — hence caution rather than outright safe.
- •Instructs the agent to execute local Python scripts (`tools/research_closure.py`, `tools/claim_graph.py`) that are referenced but not bundled with the skill, so behavior depends on whatever code sits at that path in the target repo.
- •Reads and mutates project-local state files (`.research/state.json`, `.research/claim_graph.json`) including write operations via `add-idea`/`init`/`add-*` subcommands.
- •No declared allowed-tools, yet the workflow implicitly requires shell/python execution.
Exemples
Read the research state and claim graph, run the guard and frontier checks, then tell me the next bounded experiment: frozen claim, hypothesis, measurement, kill criterion and time budget.I want to try a few alternative loss functions — can you add this to the research backlog? Use the scope gate and tell me whether it actually tests the current frozen claim.Here are the eval numbers from the estimator run. Run the result gate and give me one decision — supported, falsified, inconclusive or terminated — with the evidence and the next smallest action.name: research-closure description: Enforce a claim-to-evidence-to-decision workflow for research projects. Use when planning experiments, implementing research code, analyzing results, changing scope, or preparing weekly updates.
Research Closure Skill
Objective
Turn open-ended research into small, inspectable, closed units.
The governing loop is:
Frozen claim
→ falsifiable hypothesis
→ bounded test
→ evidence
→ explicit decision
→ written artifact
Start-of-task protocol
Read .research/state.json and .research/claim_graph.json (the claim graph is the
engine), then run:
python tools/research_closure.py guard
python tools/claim_graph.py frontier
python tools/research_closure.py next
Report:
Frozen claim:
Session deliverable:
Out of scope:
Ready frontier: (the probes whose guards are satisfied)
Resolution map: determined (<verdict>) | open
If there is no frozen claim, do not create a large implementation. Help define a 7–14
day claim first, then author the claim graph (claim_graph.py init --claim "...",
then add-variable / add-edge / add-absent / add-probe / add-resolution,
then validate) before start-sprint.
New-experiment gate
Before coding, require all fields:
Question:
Hypothesis:
Intervention:
Measurement:
Expected artifact:
Kill criterion:
Time budget:
Claim-graph probe: (the P-node this experiment runs; must be on the ready frontier)
Reject vague tasks such as:
- “explore whether this works”;
- “try several alternatives”;
- “improve the method”;
- “find a better objective”.
Rewrite them as a single testable claim.
Result gate
Every experiment ends in exactly one decision:
supportedfalsifiedinconclusiveterminated
“Inconclusive” must name a specific defect, such as estimator variance, implementation uncertainty, insufficient intervention range, or metric saturation.
Never accept “needs more experiments” as a complete decision.
Scope gate
A new idea is in scope only if success or failure directly changes confidence in the frozen claim.
Otherwise:
python tools/research_closure.py add-idea \
--idea "..." \
--reason "Does not test the current frozen claim."
Failure handling
Use this order:
- implementation correctness;
- measurement validity;
- hypothesis falsification;
- claim narrowing;
- termination;
- project pivot.
Do not jump from step 1 to step 6.
Graduation-mode optimization
Prefer:
- existing code over a rewrite;
- a minimal environment over a new benchmark;
- a correct limited theorem over a universal informal claim;
- a complete note over an additional method;
- a decision over continued ambiguity.
End-of-task protocol
Report:
Artifact produced:
Evidence:
Decision:
Next smallest action:
Then update the CLI state or write the relevant decision log.
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/research-closure-mtmi9alm/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/research-closure-mtmi9alm' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/research-closure-mtmi9alm/download' --output '.skill-downloads/research-closure-mtmi9alm/SKILL.md.part' && mv '.skill-downloads/research-closure-mtmi9alm/SKILL.md.part' '.skill-downloads/research-closure-mtmi9alm/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/research-closure-mtmi9alm/SKILL.md' && test -s '.skill-downloads/research-closure-mtmi9alm/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/research-closure' && cp -R '.skill-downloads/research-closure-mtmi9alm' '.claude/skills/research-closure'Codex
test -f '.skill-downloads/research-closure-mtmi9alm/SKILL.md' && test -s '.skill-downloads/research-closure-mtmi9alm/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/research-closure' && cp -R '.skill-downloads/research-closure-mtmi9alm' '.agents/skills/research-closure'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/research-closure-mtmi9alm'openskills read 'research-closure-mtmi9alm'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/research-closure-mtmi9alm/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.