@JFPuget：我的团队开源了一组智能体技能，可以通过自然语言运行整个@kaggle竞赛工作流程。我们提供了…

我的团队开源了一套Agent技能，可以用自然语言运行完整的@kaggle竞赛工作流。我们提供了一个易于安装的插件，适用于你常用的编码Agent。👉 立即尝试：https://t.co/ayVnzYycLY — # NVIDIA/nvidia-kaggle 来源：https://github.com/NVIDIA/nvidia-kaggle # NVIDIA Kaggle 插件 NVIDIA (https://github.com/nvidia/skillspector) 许可证：MIT Kaggle API (https://www.kaggle.com/docs/api) Agent Skills 规范 (https://agentskills.io) Kaggle 大师手册 (https://developer.nvidia.com/blog/the-kaggle-grandmasters-playbook-7-battle-tested-modeling-techniques-for-tabular-data/) NVIDIA Kaggle 插件通过单一技能 nvidia-kaggle-skill 为 Agent 提供端到端的 Kaggle 竞赛工作流。它可以获取竞赛上下文、研究公开的解决方案和笔记本、在本地复现内核、提交到竞赛，以及管理 Kaggle 数据集。该技能接受任何自然语言输入——竞赛 slug、Kaggle URL、内核引用、解决方案 URL 或本地路径——并根据请求自动选择正确的脚本运行。 演示：要求 Claude Code 总结 AIMO Progress Prize 2 的顶级解决方案 支持的典型工作流包括： | 工作流 | 作用 | |—|—| | 竞赛上下文 | 获取竞赛概览、规则、评估标准、时间线以及数据集描述。 | | 解决方案总结 | 查找排行榜上的解决方案并总结最强方法。 | | 讨论 | 索引 Kaggle 讨论、搜索并阅读选定的帖子。 | | 内核 | 索引、查询、阅读和研究公开的 Kaggle 内核。 | | 内核复现 | 将 Kaggle 笔记本及其输入数据下载到本地工作区。 | | 提交 | 推送 Kaggle 内核提交并轮询最终结果。 | | 数据集上传 | 从本地文件夹创建或更新 Kaggle 数据集。 | ## 要求 - Python 3.10 或更新版本。 - 支持插件或 Agent Skills 的 Agent 运行时，例如 Codex、Claude Code 或其他兼容的框架。 - 一个 Kaggle 账户以及用于 API 驱动工作流（包括数据集访问、内核、提交和数据集上传）的 KAGGLE_API_TOKEN。 ## 示例 ### 顶级解决方案总结 作用： 爬取竞赛排行榜，打开排名前 N 的解决方案讨论，并总结每个顶级团队使用的技术。在开始新竞赛并想了解历史获胜方法时非常有用。 bash /nvidia-kaggle:nvidia-kaggle-skill 获取 AI 数学奥林匹克 - 进步奖 2 竞赛的前 3 个解决方案总结，并总结关键策略。 显示答案 text AIMO 进步奖 2 - 前 3 名解决方案总结 排名 团队 方法 1st NemoSkills (NVIDIA) 大规模 SFT + TIR 微调 + 模型合并 + TensorRT-LLM/FP8/ReDrafter 2nd imagination-research 在 DeepSeek-R1-14B 上进行 SFT + DPO + lmdeploy W4KV8 + 双重 CoT/代码提示 3rd Aliev 现成的 DeepSeek-R1-14B AWQ + 分支、重复和早停推理 关键策略： 1. 集成工具推理提高了获胜队多数投票的准确率。 2. DPO 缩短了输出，使得在时间预算内可以生成更多样本。 3. 量化、快速推理引擎和推测解码至关重要。 4. 多级早停减少了无效生成。 5. 动态时间预算帮助在不同问题上分配样本。 6. 无需微调，强大的推理设计就足以获得第三名。 写入的文件： - 1st_place_writeup.md - 2nd_place_writeup.md - 3rd_place_writeup.md - summary.md ### 竞赛概览与数据集 作用： 一次性获取竞赛的概览、规则、评估指标、时间线和数据集描述。通常这是开始新竞赛时要运行的第一项——它为 Agent 提供了在编写任何代码之前所需的框架。 bash /nvidia-kaggle:nvidia-kaggle-skill 获取 ARC Prize 2025 竞赛的竞赛概览和数据集描述。 显示答案 text ARC Prize 2025 - 竞赛概览 类型：研究竞赛 - 总奖金 $1,000,000 目标：构建能够高效学习新技能并解决新颖抽象推理任务的 AI 系统。 指标：预测正确百分比，要求完全匹配网格，每个测试输出有 2 次尝试机会。 提交：针对 240 个未见测试任务的 JSON 预测。仅限笔记本，无互联网，最长运行时间 12 小时。 数据集文件： - arc-agi_training_challenges.json - arc-agi_training_solutions.json - arc-agi_evaluation_challenges.json - arc-agi_evaluation_solutions.json - arc-agi_test_challenges.json - sample_submission.json 总大小：6.91 MB 许可证：Apache 2.0 网格格式：0-9 整数组成的矩形矩阵，最大 30x30。 ### 公开内核研究 作用： 将竞赛的公开内核索引到本地缓存，然后查询并阅读排名最高的内核，总结建模方法、特征工程模式和常见陷阱。在编写自己的基线之前，快速了解社区已有的尝试非常有用。 bash /nvidia-kaggle:nvidia-kaggle-skill 研究 Home Credit Default Risk 竞赛的顶级公开内核，并总结使用的建模方法。 显示答案 text Home Credit Default Risk - 顶级公开内核研究 顶级公开内核包括： - Start Here: A Gentle Introduction - Will Koehrsen - Home Credit: Complete EDA + Feature Importance - Lathwal - LightGBM with Simple Features - Aguiar - Introduction to Manual Feature Engineering - Will Koehrsen - Feature Selection with Null Importances - olivier 建模方法： 1. LightGBM 在竞争性公开内核中占主导地位，通常使用 KFold 交叉验证、OOF 平均和 AUC 早停。 2. XGBoost 流程使用广泛的表格聚合和比率特征，如 DAYS_EMPLOYED_PERC 和 EXT_SOURCE 乘积。 3. Stacking 结合树模型和梯度提升模型，并使用逻辑回归元学习器。 4. 深度学习在此表格数据集上表现不如 GBDT 方法。 5. 跨 bureau、以前申请、POS_CASH、信用卡和分期付款表的特征工程至关重要。 6. 贝叶斯优化和空重要性过滤改进了特征集和模型调优。 ### 内核设置 作用： 下载公开的 Kaggle 笔记本以及竞赛数据和它依赖的任何数据集输入，并布局到本地工作区中准备运行。当你希望从现有基线而不是从头开始编写时，非常方便。 bash /nvidia-kaggle:nvidia-kaggle-skill 下载并本地设置此笔记本以便我能运行它：https://www.kaggle.com/code/cdeotte/titanic-wcg-xgboost-0-84688 显示答案 text 内核设置：cdeotte/titanic-wcg-xgboost-0-84688 竞赛：Titanic 语言：R GPU：不需要 内核已拉取： - working/titanic-wcg-xgboost-0-84688.irnb 竞赛数据已下载： - input/titanic/train.csv - input/titanic/test.csv - input/titanic/gender_submission.csv 注意：单元格 25-28 引用了私有或已删除的数据集，将无法运行。其他所有单元格均可复现。 工作区： - titanic-wcg-xgboost-0-84688/README.md - titanic-wcg-xgboost-0-84688/create_symlinks.sh - titanic-wcg-xgboost-0-84688/input/ - titanic-wcg-xgboost-0-84688/working/ 运行方式： cd titanic-wcg-xgboost-0-84688/working jupyter notebook titanic-wcg-xgboost-0-84688.irnb ### 演示：竞赛策略简报 此演示将技能的研究工作流——概览、讨论、内核、解决方案——整合成一份策略简报：包括指标和约束、获胜技术（每个都链接到其来源）、基线→顶级分数阶梯，以及一些图表。给技能一个自然语言提示： > 使用 nvidia-kaggle 技能研究 rogii-wellbore-geology-prediction Kaggle 竞赛，并为我撰写一份关于如何取得好成绩的策略简报。包括关键的公开笔记本和讨论作为链接，以及一些用于洞察的图表。将简报保存到 brief.md，并将所有图表放入 plots/ 目录。 输出简报示例： - Codex 运行 (https://github.com/daxiongshu/competition-brief-demo/blob/main/codex_rogii-wellbore-geology-prediction_002/brief.md) - Claude 运行 (https://github.com/daxiongshu/competition-brief-demo/blob/main/claude_rogii-wellbore-geology-prediction_003/brief.md) ## 快速安装 为你的 Agent 运行时安装市场。 Codex bash codex plugin marketplace add https://github.com/NVIDIA/nvidia-kaggle.git 然后打开 Codex 会话，运行 /plugins，选择 nvidia-kaggle 市场，并安装 nvidia-kaggle。 Claude Code bash claude plugin marketplace add https://github.com/NVIDIA/nvidia-kaggle.git claude plugin install nvidia-kaggle@nvidia-kaggle --scope user ## 本地安装 Codex bash codex plugin marketplace add . 然后打开 Codex 会话，运行 /plugins，选择本地 nvidia-kaggle 市场，并安装 nvidia-kaggle。 Claude Code bash claude plugin marketplace add . claude plugin install nvidia-kaggle@nvidia-kaggle --scope user 其他框架 对于任何直接支持 Agent Skills 的 Agent 运行时，将整个技能目录复制到该运行时的技能目录中： bash cp -R skills/nvidia-kaggle-skill / 复制的目录必须包含 SKILL.md、工作流 markdown 文件和 scripts/ 目录。 ## 凭据 Kaggle API 工作流需要 KAGGLE_API_TOKEN，期望包含一个 KGAT 令牌字符串。将其保存在你的环境变量或 .env 文件中。 ## 开发 运行默认测试套件： bash uv run pytest 运行 Claude Code 市场安装覆盖率测试： bash uv run pytest --run-claude-plugin tests/test_claude_plugin_install.py 仅在有凭据和网络访问权限时运行 Kaggle 集成测试： bash uv run pytest --run-integration 发布前的更改检查： bash uv sync uv run pytest claude plugin validate . 贡献者指南请参见 CONTRIBUTING.md。