reproflow-reproduce-paper

name	reproflow-reproduce-paper
description	在 ReproFlow 中复现机器学习论文，把 docs/papers 中的论文转成方法插件、配置、adapter/trainer 选择、smoke check 和公平对比实验。

ReproFlow 论文复现

当用户要求 AI 复现论文、添加论文方法，或把论文方法迁移到自定义数据集时，使用这个 skill。

必要输入

• 论文文件或笔记位于 docs/papers/
• 目标数据集配置位于 configs/data/
• 任务类型和 trainer：binary、multiclass、regression，或有充分理由的自定义 trainer
• 是否允许完整训练；默认只跑 doctor 和极小 smoke run

渐进式读取

只读取当前步骤需要的内容：

• 第一次实现：references/paper-workflow.md
• 文件契约和 YAML 形状：references/contracts.md
• 需要判断 model / trainer / data adapter：references/decision-guide.md
• 准备交付前：references/verification.md
• 如果仍不清楚，再读 docs/ai_reproduction_guide.md

默认流程

1. 识别论文任务、输入、目标、loss 和评估指标。
2. 检查目标数据配置和 batch 形态。
3. 生成方法骨架：

python scripts/paper_methods/scaffold.py <method_name> --paper docs/papers/<paper>.pdf --dataset <dataset> --trainer <trainer>

4. 先填写 paper_methods/<method_name>/method.yaml，再写模型代码。
5. 用最小改动实现论文需要的 model/config/trainer。
6. 任何训练命令前先运行 doctor。
7. 把论文方法加入 configs/experiment/ 下的公平对比 manifest。

不可破坏的契约

def forward(self, batch):
    return {"logits": logits}

• 不要写独立训练脚本。
• 不要在模型代码里硬编码数据列或 label。
• 不要往 Data_pre.py、Dataset.py 或 engine.py 里添加模型专用分支。
• 只有 batch 形态改变时才新增 data adapter。
• 只有 loss、objective 或优化循环改变时才新增 trainer。
• 如果代码或配置只是 scaffold，要明确标记为示例，不要伪装成可运行复现。