Menu
自主研究 → 调研 → 研判 → 输出实验提案（可编排、可迭代）
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
| name | ideate |
| description | 自主研究 → 调研 → 研判 → 输出实验提案（可编排、可迭代） |
用户意图：获取下一个实验思路，或让 Cascade 自主研究并提出实验提案，或用户提供思路让 Cascade 深度研究后执行。
典型触发：
python cli/taiji_run.py account list
python cli/taiji_run.py workflow show
python cli/taiji_run.py ideation show
// turbo
/run-exp 提交到该账号）判断来源：
确认工作模式（自主探索时）：如果用户在请求中已明确说明模式（如"自动跑一轮" → auto，"给我几个思路" → manual），直接使用。否则用 ask_user_question 询问：
| 选项标签 | 描述 |
|---|---|
| 只看思路 | 输出提案供参考，不动代码（manual） |
| 选一个执行 | 输出提案 → 你选一个 → 我来改码提交（semi-auto） |
| 全自动 | 自动选最优提案 → 改码 → 提交训练（auto） |
当用户明确提供了一个实验方向/思路时，跳过 Step 1 采集，直接执行：
Step 2'：针对用户提供的思路做深度调研
Step 3'：输出结构化研判（同 Step 3 格式：假设/方法/预期/风险/成本/参考/优先级）
Step 3b'：碰撞检测（同 Step 3b）
决策：用 ask_user_question 确认：
| 选项标签 | 描述 |
|---|---|
| 开始实现 | 研判可行 → 进入 Step 5 分支+改码 |
| 调整方向 | 根据研判修改方案后再确认 |
| 放弃 | 该方向风险过高或已被验证无效，记入思路池已探索区域 |
⚠️ 如果研判认为方向不可行（已有实验证伪、理论不成立），Cascade 应在研判中明确说明原因，但最终由用户决策。
按 ideation.sources 配置的来源，并行采集候选思路：
idea_pool)读思路池文件（优先 docs/ideas.md，回退 ideas.md）的待做条目（[ ] 未勾选）。
alignment_analysis)这是 TAAC 竞赛最核心的思路来源。自主分析当前数据流中哪些信息被丢失/混淆/淉没：
docs/ 目录下相关分析文档，了解已识别的瓶颈experiments.md 确认哪些方向已经做过，避免重复dataset.py → trainer.py → model.py，定位当前未被解决的瓶颈diagnosis)分析最近实验的 metrics 和日志：
literature)聚焦 TAAC 相关的方向搜索：
search_web 搜索论文 + context7 查框架实现experiment_review)分析已有实验的 patterns：
对采集到的候选思路，逐个深入调研：
dataset.py 字段展开 → model.py 对应模块，确认当前处理方式和 tensor shapedataset/ 下的数据分析文件（如有）了解字段分布、缺失率、基数docs/ 目录下相关分析文档，作为辅助参考而非唯一来源对每个候选思路输出结构化评估：
### 提案: <标题>
- **解决的瘦颈**: 对应哪个数据-模型不对齐点（已知或新发现）
- **假设**: 做什么、为什么可能有效
- **方法**: 具体代码改动点（哪些文件、哪个类/函数、改什么）
- **预期**: 效果预期及依据
- **线上泛化判断**: 该改动是否更可能线上有效（vs 仅 offline 有效）
- ✅ 有利泛化：补回缺失信息、减少过拟合、提高鲁棒性
- ⚠️ 风险：增加参数量、增加对训练分布的依赖
- **风险**: 可能失败的原因
- **成本**: 实现复杂度（简单/中等/复杂）+ 是否值得消耗评估配额
- **参考**: 相关论文/实验/代码链接
- **优先级**: 高/中/低
优先级排序标准：
评估配额意识：每天 3 次线上评估（中午 12:00 重置），对亍拿不准的提案应标注“建议先看 offline 再决定是否评估”
在决策执行前检查 experiments.md 中所有 🚧 实验的 keyword：
⚠️ 与 {EXP_ID} 方向相似根据工作模式行为不同：
输出所有提案后，用 ask_user_question 提供后续选项：
| 选项标签 | 描述 |
|---|---|
| 执行提案 N | 选定该提案 → 进入 Step 5 改码阶段 |
| 记到思路池 | 将所有未执行提案写入思路池文件（docs/ideas.md 或 ideas.md） |
| 先不做 | 结束 |
输出提案（按优先级排序），用 ask_user_question 推荐：
| 选项标签 | 描述 |
|---|---|
| 执行提案 1 | <最高优先级提案标题> → Step 5 |
| 执行提案 2 | <次高优先级提案标题> → Step 5 |
| 看更多思路 | 展开剩余候选方案，再次 ask_user_question 让用户选 |
| 先不做 | 未执行提案写入思路池文件 → 结束 |
自动选取优先级最高且满足以下条件的提案：
涉及共享模块 → ⛔ 降级为 semi-auto 确认
共享模块破坏性改动的判定：
shared_modules 中文件的现有函数签名、删除/重命名现有接口 → 破坏性auto 循环终止条件：
/ideate 调用只执行 1 个提案/ideate 自动提交的实验数 ≥ auto_max_concurrent → 停止，提示用户等待训练完成/ideate 来提交多个实验，不会在单次对话中无限循环用户确认（或 auto 自动选定）提案后，执行以下步骤：
从当前 trunk 分支：
git checkout <BASE_TRUNK>
git pull
git checkout -b exp/<keyword>
分支命名：exp/<keyword>，keyword 取自提案标题（kebab-case）。
--flag 参数，不改变无参数时的行为）train.py 和 infer.py（训练-推理一致性）feat: <改动描述>改码完成后、提交训练前，Cascade 必须执行：
python -c "import model; import dataset; import trainer; import utils"
// turbo
diff 自审：Cascade 回顾 git diff，逐文件确认：
sanity check：
python train.py --help
// turbo
任一检查失败：
自检通过后，调用 /run-exp 提交训练任务。/run-exp 从 Step 1 开始（确定实验 ID），分支已由 /ideate 创建好。
如果用户说“先记下来不做”或 auto 模式筛选出但暂不执行的提案，写入思路池文件（优先 docs/ideas.md，回退根目录 ideas.md）：
写入前必须检查：
- [ ] <提案标题> — <一句话描述> （来源: /ideate, <日期>）
| 下游 SKILL | 触发条件 |
|---|---|
/run-exp | 提案确认 → fork → 改码完成 → 提交训练 |
/check-exp | 训练完成后检查结果 |
/merge-exp | 结果有效 → 合入 trunk |
/ideate（自身） | 一轮完成后回到 Step 1（auto 模式链式） |
auto_max_concurrent 只是 /ideate 自动提案/自动编码的节流参数，不是 Taiji 训练任务提交或启动限制create/start/rerun 不消耗每日评估次数；每日配额只约束评估提交