resume

resume skill 概覽

resume skill 的用途

resume skill 是一個 Claude 工作流程技能，用來接續暫停中的 autoresearch 實驗，而不是只憑模糊的先前記憶重新開始。它會由 /ar:resume 觸發，或在使用者要求接續先前啟動的實驗時啟用。它真正要做的事，是還原實驗分支、讀取已儲存的設定、策略、結果歷史與近期 commits，然後在繼續迭代前先摘要目前狀態。

最適合的使用者與 repositories

這個 resume skill 適合使用 alirezarezvani/claude-skills 中 autoresearch-agent 結構的團隊，尤其是將實驗存放在 .autoresearch/{domain}/{name}/ 底下、並以 autoresearch/{domain}/{name} 命名分支的 repositories。它特別適合工程最佳化、以 benchmark 驅動的變更，以及長時間執行的實驗迴圈；在這些情境中，agent 需要清楚知道哪些方法已經試過、保留、捨棄，或曾經失敗當機。

和一般 resume prompt 的差異

一般的「從上次進度繼續」prompt 依賴聊天記憶。這個 skill 則提供 agent 一條具體的復原路徑：如果沒有提供名稱，就列出實驗；checkout 正確分支；讀取 config.cfg、program.md、results.tsv；並檢查近期 git history。這種結構能減少重複工作，並幫助 agent 根據證據而不是假設繼續推進。

採用前的關鍵考量

這個 skill 本身精簡、安裝負擔低，但它假設周邊的 autoresearch 工作流程已經存在。若要將它用於 Workflow Automation，採用前請先確認你的 repository 使用相容的實驗分支、將結果歷史存放在 .autoresearch/，並且 skill 所引用的 helper script 在預期的安裝環境中可用。

如何使用 resume skill

resume 安裝與第一批要檢查的檔案

從來源 repository 安裝 skill：

npx skills add alirezarezvani/claude-skills --skill resume

安裝後，先閱讀 SKILL.md。這個 skill 的技能資料夾中沒有額外的本機 README.md、references、rules 或 bundled scripts，因此重要的實作細節就是 SKILL.md 中記錄的指令流程。如果你的 installer 會拉下完整的 skill collection，也請檢查 repository 裡較大的 engineering/autoresearch-agent 區域，因為 /ar:resume 會引用 scripts/setup_experiment.py。

實務上如何呼叫 resume skill

當你希望 agent 列出可用實驗時，使用不帶參數的指令：

/ar:resume

當你已經知道 domain 與 name 時，使用具體的實驗路徑：

/ar:resume engineering/api-speed

一個有效的 prompt 應該明確允許 skill 檢查 repository，並說明你想要怎麼接續：

「Run /ar:resume engineering/api-speed. After loading the branch and .autoresearch files, summarize the best result, failed attempts, current hypothesis, and propose the next safe experiment before editing code.」

這會比「resume the speed experiment」更好，因為它要求 agent 先復原狀態，避免直接跳進程式碼修改。

呼叫後預期的工作流程

這個 skill 預期的工作流程是：

1. 如果沒有提供實驗名稱，列出可用實驗並讓使用者選擇。
2. Checkout autoresearch/{domain}/{name}。
3. 讀取 .autoresearch/{domain}/{name}/config.cfg，確認目標、metric 與限制條件。
4. 讀取 program.md，了解實驗策略。
5. 讀取 results.tsv，查看先前 trials 與 outcomes。
6. 用 git log --oneline -20 檢視近期分支 commits。
7. 在繼續之前回報目前狀態。

為了取得最佳結果，請在核准下一個實驗前，要求 agent 先提供狀態報告。報告應包含實驗總數、kept/discarded/crashed 數量、最佳 metric、baseline、最近一次嘗試的變更，以及近期模式。

讓輸出更好的實用 prompt 模式

當決策需要依賴歷史實驗證據時，就適合使用 resume skill。好的後續要求包括：

• 「Do not repeat discarded approaches unless the reason for failure has changed.」
• 「Compare the next proposed change against the best kept result in results.tsv.」
• 「Before editing, identify any crashed experiments that indicate unsafe directions.」
• 「If the branch is dirty, stop and explain the working tree state first.」

這些指示能提升輸出品質，因為 agent 必須把新工作連結到已保存的結果，而不只是產生一個看似合理的下一步最佳化方案。

resume skill FAQ

resume 只適用於 autoresearch experiments 嗎？

是的，實務上是如此。resume skill 是圍繞 autoresearch 慣例撰寫的：實驗分支命名為 autoresearch/{domain}/{name}，狀態檔案放在 .autoresearch/{domain}/{name}/ 底下。你可以把這個概念改用在其他工作流程，但開箱狀態下，它不是通用的專案續接工具。

resume skill 運作前需要什麼？

它需要一個已初始化的實驗，包含分支、設定檔、策略檔與結果表。如果缺少 config.cfg、program.md 或 results.tsv，agent 仍然可能檢查 git history，但這個 skill 的核心價值會降低，因為它無法可靠地重建先前決策。

這對 Workflow Automation 有什麼幫助？

對 Workflow Automation 來說，這個 skill 建立了一套可重複的復原流程。每次自動化執行時，不必都要求模型自行推論上下文；/ar:resume 會標準化要載入與回報的內容。這對排程執行的 benchmark 迴圈、中斷後要接續的最佳化任務，或重視可重現性的多 session agent 工作都很有價值。

什麼時候不該使用這個 skill？

不要把它用於全新實驗、一次性的程式碼修改，或沒有 autoresearch state 的 repository。如果你的實驗資料只存在於聊天記錄、issue comments 或外部 dashboards，它也不適合。在這些情況下，請撰寫自訂復原 prompt，或新增一個 companion skill，讓它知道實際歷史資料存放在哪裡。

如何改進 resume skill

提供更完整的實驗輸入給 resume

resume skill 在已儲存的實驗檔案乾淨、且以決策為導向時表現最好。讓 config.cfg 清楚寫明 target file、metric、direction、baseline 與 constraints。讓 program.md 專注於策略，而不是零散的聊天式筆記。讓 results.tsv 保持一致，並提供足夠細節來區分 kept changes、discarded changes、crashes 與 measurement noise。

避免常見的 resume 失敗模式

最常見的失敗，是在沒有完整載入上下文的情況下就繼續執行。請要求 agent 在提出變更前，先確認 branch name、config、strategy、result count、best result 與 last commit。另一個失敗模式是過度相信最新結果；你應要求它與歷史最佳結果比較，並判斷這項改善對該 metric 是否具有意義。

在第一次接續輸出後繼續迭代

skill 回報狀態後，可以用更精準的問題改善下一步：

• 「Which previous attempts should be avoided and why?」
• 「What is the smallest reversible experiment from here?」
• 「What evidence suggests this direction is better than the discarded ones?」
• 「What command should validate success before marking KEEP?」

這會把 resume guide 轉成以證據為基礎的迴圈，而不只是單純 checkout 分支。

依照你的 repository 客製化 skill

如果你的團隊使用不同的分支命名、結果格式或實驗目錄，請編輯 skill instructions，讓它符合這些慣例。實用的補充包括 dirty-working-tree check、必要的 test 或 benchmark command、results schema description，以及在破壞性 git 操作前停止的規則。這些修改能讓 resume skill 更安全、更可靠，同時不改變它的核心目的：復原實驗上下文，並從目前最有力的證據繼續推進。