软件下载帮助文档新闻资讯

Skill UI

浏览并发现 16567+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索方法论，共找到 16 条记录

默认排序最新上传最多下载

高级LLM评估技术

advanced-evaluation

sickn33/antigravity-awesome-skills

本技能专注于构建面向生产环境的LLM评估系统。内容涵盖了先进的评估方法论，包括直接评分和配对比较，并详细介绍了如何系统性地消除评估中的偏差（如位置偏差、长度偏差）。它指导用户如何选择合适的评估指标，并构建结构化的Prompt，以确保AI模型质量评估的客观性和可靠性。

LLM提示词结构化优化

sickn33/antigravity-awesome-skills

本方法论将冗长、自然的语言系统指令，转化为原子化、结构化的标签格式。它通过分解复杂的规则为明确的标签（如trigger:、action:），解决了大型语言模型（LLM）指令遵循度低的问题，极大地提高了规则执行的精准度、可靠性和效率。

分析勒索软件泄露网站情报

analyzing-ransomware-leak-site-intelligence

mukul975/Anthropic-Cybersecurity-Skills

本技能提供了一套结构化的方法论和Python实现，用于监控和分析勒索软件的泄露网站（DLS）。它帮助安全分析师追踪受害者信息，提取关于攻击者战术的情报，评估特定行业的风险，从而实现主动防御，掌握威胁态势。

AI/LLM安全红队测试指南

offensive-ai-security

SnailSploit/Claude-Red

提供一套完整的AI/LLM系统安全渗透测试方法论，用于评估大型语言模型和AI应用的鲁棒性。涵盖提示词注入、越狱、数据投毒、模型提取等高级攻击向量，适用于进行AI系统的红队演练和安全评估。

云攻击方法论

offensive-cloud

SnailSploit/Claude-Red

面向 AWS、Azure、GCP 的云安全攻击与渗透方法论，涵盖身份识别、凭据收集、枚举、提权、持久化、数据外传、横向移动、无服务器与云上 Kubernetes 攻击及规避检测，适用于授权评估。

多媒体实验设计与审核指南

acmmm-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为作者提供了提交ACM多媒体论文的严格实验方法论标准。它详细指导如何严谨地验证跨模态（cross-modal）声称，确保所有证据都能支持多媒体的贡献。内容涵盖了隔离融合机制的消融实验设计、用户研究的规范化、与匹配基线的性能报告，以及关于数据集、媒体许可和计算成本的透明化要求。

AI公平性审计与证据设计

facct-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为AI公平性、可问责性和透明度（FAccT）实证研究提供了严格的方法论标准。它指导研究人员如何将特定的研究声明与合适的证据类型（如分层指标、定性编码数据、伦理审批流程）相匹配，强调必须纳入伦理审查、处理受保护属性和明确方法局限性，确保研究的科学性和伦理性。

计算机视觉实验设计与规划

iccv-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南提供了一套高标准的学术科研实验设计方法论，专为顶级计算机视觉会议（如ICCV）准备论文。它指导用户在严格的截止日期下，系统地进行实验规划，包括基准漂移审计、确保模型公平性（消除预训练混淆）、构建机制分离的消融实验，以及按决策价值顺序安排实验运行流程。

机器学习论文相关工作定位指南

icml-related-work

brycewang-stanford/Awesome-Journal-Skills

本指南为作者提供了撰写机器学习学术论文的方法论，帮助作者在顶会（如ICML、NeurIPS）的背景下，准确定位研究新颖性。它指导如何处理大量现有文献、同主题的同期提交工作，并清晰阐述本文与现有工作的技术差异点（Delta）。

IEEE TPAMI期刊投稿指南

ieee-transactions-on-pattern-analysis-and-machine-intelligence

brycewang-stanford/Awesome-Journal-Skills

本指南旨在帮助计算机视觉、模式识别或机器学习领域的作者，评估其学术论文是否符合IEEE《模式分析与机器智能汇刊》（TPAMI）的高标准。详细涵盖了文章的适用范围、方法论要求、实验证据的完备性、结构格式以及投稿前的自检清单，确保稿件达到权威期刊的发表级别。

安全研究结果可复现性指南

ieeesp-reproducibility

brycewang-stanford/Awesome-Journal-Skills

本指南为安全和机器学习研究的作者提供了严谨的方法论，旨在确保实验结果的长期可复现性。它要求作者“固化测量环境”，记录硬件、软件和网络状态；同时指导如何报告概率性攻击的详细试验次数和种子，确保论文证据链的完整性和严谨性。

ML系统评估方法论指南

mlsys-experiments

brycewang-stanford/Awesome-Journal-Skills

本指南为机器学习系统设计了全面、严谨的评估框架。它详细指导作者如何选择代表性工作负载、与当前最佳基线进行公平比较、报告关键性能指标（吞吐量、p99延迟、内存和成本），并构建消融和扩展性证据，确保实验结果具有高可信度。

语言