resume

resume skill 概览

resume skill 用来做什么

resume skill 是一个用于 Claude 工作流的技能，适合在 autoresearch 实验被暂停后继续推进，而不是凭模糊的上下文记忆重新开始。它会通过 /ar:resume 触发，也可以由用户提出“继续之前开始的实验”来触发。它真正要做的事，是恢复实验分支，读取已保存的配置、策略、结果历史和最近提交，然后在继续迭代前先汇总当前状态。

最适合的用户和仓库

这个 resume skill 适合使用 alirezarezvani/claude-skills 中 autoresearch-agent 结构的团队，尤其是实验保存在 .autoresearch/{domain}/{name}/ 下、分支命名遵循 autoresearch/{domain}/{name} 的仓库。它对工程优化、基于 benchmark 的改动，以及需要长期循环实验的场景尤其有用，因为 agent 必须知道哪些方案已经尝试过、哪些被保留、哪些被丢弃、哪些曾经崩溃。

它和普通的“继续上次工作”提示有什么不同

普通的“从上次中断处继续”提示依赖聊天记忆。这个技能给 agent 一条明确的恢复路径：如果没有提供实验名，先列出实验；切换到正确分支；读取 config.cfg、program.md、results.tsv；并检查最近的 git 历史。这种结构能减少重复劳动，帮助 agent 基于证据继续推进，而不是基于猜测行动。

采用前需要重点确认的事项

这个技能本身很轻量，安装负担也低，但它假设周边已经存在 autoresearch 工作流。用于 Workflow Automation 之前，请确认你的仓库使用兼容的实验分支，把结果历史存放在 .autoresearch/ 中，并且技能引用的辅助脚本在预期的安装上下文中可用。

如何使用 resume skill

安装 resume 并优先检查哪些文件

从源仓库安装该技能：

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

安装后，先阅读 SKILL.md。这个技能的技能目录中没有额外的本地 README.md、references、rules 或打包脚本，因此关键实现细节就是 SKILL.md 中记录的命令流程。如果你的安装器拉取了完整技能集合，也要检查仓库中更大的 engineering/autoresearch-agent 区域，因为 /ar:resume 会引用 scripts/setup_experiment.py。

在实践中调用 resume skill

当你希望 agent 列出可用实验时，使用不带参数的命令：

/ar:resume

如果你已经知道 domain 和 name，则使用具体实验路径：

/ar:resume engineering/api-speed

一个更好的提示词，会明确允许该技能检查仓库，并说明你希望它如何继续：

“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.”

这比“resume the speed experiment”更好，因为它要求 agent 先恢复状态，避免它直接跳到代码修改。

调用后的预期工作流

该技能预期的工作流是：

1. 如果没有提供实验名，列出可用实验并让用户选择。
2. Checkout autoresearch/{domain}/{name}。
3. 读取 .autoresearch/{domain}/{name}/config.cfg，了解目标、指标和约束。
4. 读取 program.md，了解实验策略。
5. 读取 results.tsv，了解此前试验和结果。
6. 使用 git log --oneline -20 查看最近的分支提交。
7. 在继续之前报告当前状态。

为了获得更好的结果，建议先要求 agent 提交状态报告，再批准下一次实验。报告应包含实验总数、kept/discarded/crashed 数量、最佳指标、baseline、最近一次尝试的改动，以及近期模式。

提升输出质量的实用提示方式

当决策依赖历史实验依据时，就适合使用 resume skill。好的后续请求包括：

• “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.”

这些指令能提高输出质量，因为 agent 必须把新工作和已保存结果关联起来，而不是只生成一个看起来合理的下一步优化方案。

resume skill 常见问题

resume 只适用于 autoresearch 实验吗？

实际使用中，是的。resume skill 是围绕 autoresearch 约定编写的：实验分支命名为 autoresearch/{domain}/{name}，状态文件位于 .autoresearch/{domain}/{name}/ 下。你可以把这个思路改造到其他工作流中，但开箱即用时，它并不是一个通用的项目恢复工具。

resume skill 运行前需要具备什么条件？

它需要一个已经初始化的实验，包括分支、配置文件、策略文件和结果表。如果缺少 config.cfg、program.md 或 results.tsv，agent 仍然可能检查 git 历史，但该技能的核心价值会下降，因为它无法可靠地重建此前的决策依据。

它对 Workflow Automation 有什么帮助？

对于 Workflow Automation，这个技能提供了一套可重复的恢复流程。每次自动化运行不必都让模型自己推断上下文，/ar:resume 会标准化需要加载和报告的内容。对于定时 benchmark 循环、中断后的优化任务，或重视可复现性的多会话 agent 工作，这一点很有价值。

什么时候不应该使用这个技能？

不要把它用于全新实验、一次性代码修改，或没有 autoresearch 状态的仓库。如果你的实验数据只存在于聊天记录、issue 评论或外部 dashboard 中，它也不适合。在这些情况下，应编写自定义恢复提示，或增加一个配套技能，让它知道你的真实历史记录存放在哪里。

如何改进 resume skill

为 resume 提供更强的实验输入

resume skill 在已保存的实验文件清晰、以决策为导向时表现最好。让 config.cfg 明确写出目标文件、指标、方向、baseline 和约束。让 program.md 聚焦策略，而不是零散聊天式笔记。让 results.tsv 保持一致，并提供足够细节，用来区分被保留的改动、被丢弃的改动、崩溃以及测量噪声。

避免常见的 resume 失败模式

最常见的失败，是在没有完整加载上下文的情况下就继续推进。要求 agent 在提出改动前确认分支名、配置、策略、结果数量、最佳结果和最后一次提交。另一个失败模式是过度相信最新结果；应要求它和历史最佳结果比较，并判断该提升对当前指标是否有意义。

在第一次恢复输出后继续迭代

技能报告状态后，可以用更有针对性的问题来改进下一步：

• “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?”

这样可以把 resume 指南变成一个基于证据的循环，而不只是简单地 checkout 分支。

针对你的仓库定制该技能

如果你的团队使用不同的分支命名、结果格式或实验目录，请修改技能说明，使其匹配这些约定。值得加入的内容包括 dirty working tree 检查、必需的测试或 benchmark 命令、结果 schema 描述，以及在执行破坏性 git 操作前停止的规则。这些调整可以让 resume skill 更安全、更可靠，同时不改变它的核心目的：恢复实验上下文，并从当前最强的证据继续推进。