explore-run 帮深度学习研究者规划有边界的探索试验。手里有几种迁移学习方案，或想比较一组参数变化，可以交代候选维度、可用预算和主要指标，让 AI 先安排小数据集、短周期的检查。
正式运行前，它会考虑成本、成功可能性和预期收益来挑候选，并用候选数量和短跑次数限制规模。这时的排序只是计划依据。拿到真实运行结果后，再按执行证据排名，不能一直拿猜测当结论。
例如两个候选用了不同的数据量，即使其中一个分数更高，也要解释比较条件是否公平。这个 Skill 会把变更、比较说明、运行排名和状态写进 explore_outputs，让试过什么、还有什么没验证都能回看。
探索需要研究者明确授权，并与可信基线隔离。实际执行还可能交给其他运行 Skill；它适合筛候选，不把短试验包装成已经证明的新成果。