agentleFS
LinuxSuRenLinuxSuRen/my-dsh-skills/skills/solution-racing/SKILL.md

solution-racing

Skill2 starsChanged 39 days agoMITView on GitHub

高不确定需求的多方案竞速验证:复杂、领域未知、不确定性大的需求(如导航算法)在资源足够时并行多个 worktree 分支、各跑同源自动化 E2E 判据,快速积累实证经验、证伪即淘汰、收敛出更优方案。

The file

Files
SKILL.md

多方案竞速验证(高不确定需求)

核心原则:高不确定时,用并行实证代替串行猜测。方案没把握一次选对,与其开会争论或拍脑袋"方案先行",不如让 2~3 个候选方案在各自 worktree 里同时落地、跑同一份自动化 E2E 判据,让数据说话。竞速的价值一半在选出赢家,一半在快速证伪——被数据淘汰的方案附带的结论,是最值钱的经验。

1. 启用门槛(三个条件缺一不可)

  • 不确定性够高:关键技术路径有 2~3 个候选各有未知数(如导航算法:图优化 vs 采样式 vs 端到端;新协议逆向、性能优化路径不明);常规需求、方案已明确 → 不启用,按 arch-dev-workflow 最小实现走单方案,竞速是资源浪费。
  • 判据可自动化:能写出客观、可自动执行的 E2E 验收(成功率、误差指标、时延、资源占用、跑分)。判据无法自动化时先解决判据,再谈竞速——人肉主观打分的"竞速"必退化成各说各话。
  • 资源足够:N 个方案 = N 份 worktree + N 倍构建/测试开销。动手前估算磁盘、CPU 核数、内存、GPU/外设;不够就砍方案数或串行分批(先粗筛后全量)。

同时设定时间盒与轮次上限(如"3 轮跑分或 2 天,到点强制收敛"),防止探索无限发散。

2. 布局

  • 一个方案一个 worktree 一个分支:explore/<需求标识>-a|b|c;从同一主干基点创建,保证可比。
  • 判据同源:E2E 测试/跑分脚本放在各分支同一路径(或独立 bench 仓库),内容一致——判据不同源的跑分没有可比性。
  • 每个方案在分支内写一行可证伪的假设("本方案赌 X 成立"),赌注要落在关键决策点(算法/架构/依赖)上,不在无关细节上开分支。
  • 数据集/测试场景固定版本、固定随机种子;环境差异是跑分噪声的头号来源。

3. 并发执行

  • 各 worktree 独立构建→测试→跑分,天然互不污染;共享资源显式错峰:端口、GPU、外设、数据库会跨 worktree 冲突,用端口偏移、容器隔离或错峰调度。
  • AI 协作模式:每条 explore 分支交一个子代理独立实现与自测(prompt 自包含:worktree 路径、假设、判据、验证命令、禁止 commit),主代理只管判据与记分——编排纪律见 subagent-parallel-dev;主代理对子代理自报的结果必须实跑复核。
  • 结果落盘成表:每轮记录(方案、轮次、指标、环境、变体说明),多轮看均值与分位数,单轮胜负当噪声处理。

4. 经验积累与收敛

  • 证伪即淘汰:假设被数据打脸的分支立即出局,不恋战(沉没成本不是理由);淘汰时留一行结论:"X 方案因 Y 被证伪"。
  • 允许树状派生:优势方案分支上开新 explore 分支试变体,但活跃分支数守住上限(3~5),超出先淘汰再开新。
  • 收敛条件:某方案在判据上多轮稳定占优(非单次噪声)→ 定为基准方案。
  • 落选结论集中汇总成对比表——这正是 skill-distillation 的最佳素材(踩坑根因、方案取舍原因)。

5. 收尾

  • 胜出方案转正:清理探索性改动,rebase 到最新主干,走正常 PR 流程(branching-workflow)。
  • 删除全部 explore worktree 与分支(arch-dev-workflow 的 worktree 纪律),不留"以防万一"的分支。
  • PR/设计文档里写清:候选方案、判据数据、落选原因——半年后没人敢动这段代码时,这份对比就是意图债的偿还。

6. 检查清单

  1. 三个启用条件(不确定、判据自动化、资源)都满足?
  2. 时间盒/轮次上限已设?
  3. 判据各分支同源、数据与种子固定?
  4. 每方案一行可证伪假设,证伪即淘汰?
  5. 共享资源(端口/GPU/外设)无跨 worktree 冲突?
  6. 落选方案都留了证伪结论?
  7. 胜出方案走 PR,explore 分支与 worktree 清零?

与既有技能的关系

  • subagent-parallel-dev:本技能管"方案未定的竞速阶段";定案后需要跨仓库/多单元并行实施时,交给 subagent-parallel-dev。
  • arch-dev-workflow 方案先行:高不确定场景下竞速是"方案先行"的实证前置——用数据代替争论得出方案,再向研发确认;资源不足或低不确定时仍直接最小实现。
  • skill-distillation:竞速产出的证伪结论与取舍数据是首选沉淀素材。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.