MCP HubMCP Hub
Вернуться к навыкам

benchmark-and-mms-planner

HeshamFS
Обновлено 2 days ago
8 просмотров
40
3
40
Посмотреть на GitHub
Тестированиеai

О программе

Этот навык Claude помогает разработчикам создавать планы верификации и валидации для симуляционных кодов, чтобы обеспечить достоверность результатов. Он предоставляет структурированные методологии, включая искусственные решения, эталонные задачи и исследования сходимости с критериями "пройдено/не пройдено". Используйте его, когда требуется строго доказать корректность решателя, а не просто продемонстрировать его правдоподобность.

Быстрая установка

Claude Code

Рекомендуется
Основной
npx skills add HeshamFS/materials-simulation-skills -a claude-code
Команда плагинаАльтернативный
/plugin add https://github.com/HeshamFS/materials-simulation-skills
Git клонированиеАльтернативный
git clone https://github.com/HeshamFS/materials-simulation-skills.git ~/.claude/skills/benchmark-and-mms-planner

Скопируйте и вставьте эту команду в Claude Code для установки этого навыка

Документация

Benchmark And MMS Planner

Goal

Design a verification and validation plan before trusting simulation results. The skill helps agents choose manufactured solutions, benchmark cases, refinement protocols, uncertainty checks, and pass/fail criteria.

Requirements

  • Python 3.10+
  • No external dependencies
  • Works on Linux, macOS, and Windows

Inputs to Gather

InputDescriptionExample
PDE or model classGoverning familydiffusion, elasticity, phase-field
Quantity of interestMetric to validateinterface velocity, L2 temperature error
Dimension1, 2, or 32
Expected orderFormal discretization order2
Reference availabilityAnalytic, benchmark, or noneanalytic
Risk levelCost or consequence of wrong resulthigh

Decision Guidance

  • Use MMS when code correctness is uncertain and an analytic solution can be injected.
  • Use canonical benchmarks when physical model validation matters more than code verification.
  • Use grid/time refinement whenever the result is used for a claim, design decision, or comparison.
  • Use uncertainty propagation when inputs are calibrated, noisy, or experimentally measured.

Script Outputs

scripts/benchmark_mms_planner.py emits inputs and results with:

  • verification_strategy
  • mms_plan
  • benchmark_cases
  • refinement_protocol
  • acceptance_criteria
  • warnings

Workflow

  1. Collect the governing model, quantity of interest, and risk level.
  2. Run benchmark_mms_planner.py --json.
  3. Treat warnings as blockers for high-risk claims.
  4. Convert the returned protocol into tests, simulation runs, or review checklist items.
python3 skills/verification-validation/benchmark-and-mms-planner/scripts/benchmark_mms_planner.py \
  --model diffusion \
  --quantity "L2 error in temperature" \
  --dimension 2 \
  --expected-order 2 \
  --reference analytic \
  --risk high \
  --json

Error Handling

  • If the dimension or expected order is invalid, stop and correct the model description.
  • If no reference exists, use conservation and convergence checks but do not call the result validated.

Limitations

This skill plans verification work; it does not run the solver or prove that a physical model is appropriate for an experiment.

Security

  • Inputs are scalar strings and finite numeric values only.
  • The script does not execute external solvers.
  • File writes are not performed.
  • The skill uses Bash only to run its bundled script.

References

  • See references/vv_patterns.md for MMS, benchmark, and uncertainty planning notes.

Version History

  • 1.0.0: Initial benchmark and MMS planning skill.

GitHub репозиторий

HeshamFS/materials-simulation-skills
Путь: skills/verification-validation/benchmark-and-mms-planner
0
agent-skillsagentscli-toolscomputational-sciencellmmaterials-science

Похожие навыки

evaluating-llms-harness

Тестирование

Этот навык Claude запускает lm-evaluation-harness для тестирования LLM на более чем 60 стандартизированных академических задачах, таких как MMLU и GSM8K. Он предназначен для разработчиков, чтобы сравнивать качество моделей, отслеживать прогресс обучения или сообщать академические результаты. Инструмент поддерживает различные бэкенды, включая модели HuggingFace и vLLM.

Просмотреть навык

cloudflare-cron-triggers

Тестирование

Этот навык предоставляет обширные знания по реализации Cloudflare Cron Triggers для планирования запуска Workers с помощью cron-выражений. Он охватывает настройку периодических задач, заданий технического обслуживания и автоматизированных рабочих процессов, а также решение распространенных проблем, таких как неверные cron-выражения и ошибки часовых поясов. Разработчики могут использовать его для настройки планировщиков обработчиков, тестирования cron-триггеров и интеграции с Workflows и Green Compute.

Просмотреть навык

webapp-testing

Тестирование

Этот навык Claude предоставляет инструментарий на базе Playwright для тестирования локальных веб-приложений с помощью Python-скриптов. Он позволяет проводить проверку фронтенда, отладку интерфейса, создание скриншотов и просмотр логов, одновременно управляя жизненным циклом сервера. Используйте его для задач автоматизации браузера, но запускайте скрипты напрямую, вместо чтения их исходного кода, чтобы избежать загрязнения контекста.

Просмотреть навык

finishing-a-development-branch

Тестирование

Этот навык помогает разработчикам завершать готовую работу, проверяя прохождение тестов и предлагая структурированные варианты интеграции. Он направляет рабочий процесс по слиянию, созданию пул-реквестов или очистке веток после завершения реализации. Используйте его, когда ваш код готов и протестирован, чтобы систематически завершать процесс разработки.

Просмотреть навык