Menü
仅在创建需要 Factory 或 Registry 模式的新 registrable ML 组件时使用。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
Use when the user asks to generate or refresh an architecture map, structure diagram, core call flow, local viewer assets, or runs ~map. Produces hello-scholar native architecture-map.json plus compact Markdown and Mermaid companion artifacts.
Use when the user asks to open the architecture viewer, view diagrams, inspect node evidence, export the local architecture map, or troubleshoot hello-scholar map view/export behavior.
实验分析命令，基于 experiment package、runs、metrics 和 evidence 形成结果解释与下一轮实验计划。
实现命令，把 plan package、change record 或 experiment package 落成代码、配置、文档或实验变更。
Use only when the user explicitly types ~map. Generates or refreshes the hello-scholar native architecture map by invoking the architecture-map workflow, then validates and points to the local viewer.
用于涉及编写或修改源码的日常编码任务。
| name | architecture-design |
| description | 仅在创建需要 Factory 或 Registry 模式的新 registrable ML 组件时使用。 |
| version | 1.2.0 |
该 skill 定义了基于模板结构的 machine learning 项目标准代码架构。在修改或扩展代码时，应遵循这些模式以维持一致性。
该项目采用模块化、可扩展的架构，并明确分离关注点。每个模块（data、model、trainer、analysis）都通过 factory 和 registry patterns 独立组织，以获得最大的灵活性。
For non-ML architecture work, use these general constraints when this skill is already active: keep boundaries explicit, dependencies flowing in one direction, modules cohesive, public interfaces stable, and migration paths reversible. Prefer the smallest architecture change that solves the stated problem.
在以下场景使用该 skill：
@register_dataset 的新 Dataset class@register_model 的新 Model class__init__.py factory wiring 的新模块目录在以下场景不要使用该 skill：
关键判断标准：如果任务不需要 @register_* decorator 或 Factory pattern，就跳过这个 skill。
For general refactors, architecture review can still use the checklist below without importing the ML-specific factory requirements.
每个模块都使用 factory 动态创建实例：
# Example from data_module/dataset/__init__.py
DATASET_FACTORY: Dict = {}
def DatasetFactory(data_name: str):
dataset = DATASET_FACTORY.get(data_name, None)
if dataset is None:
print(f"{data_name} dataset is not implementation, use simple dataset")
dataset = DATASET_FACTORY.get('simple')
return dataset
详细说明参见 references/factory_pattern.md。
组件通过 decorators 注册自身：
# Example from data_module/dataset/simple_dataset.py
@register_dataset("simple")
class SimpleDataset(Dataset):
def __init__(self, data):
self.data = data
详细说明参见 references/registry_pattern.md。
模块会自动发现并导入子模块：
# Example from data_module/dataset/__init__.py
models_dir = os.path.dirname(__file__)
import_modules(models_dir, "src.data_module.dataset")
详细说明参见 references/auto_import.md。
project/
|- run/
| |- pipeline/ # 主工作流脚本
| | |- training/ # 训练流水线
| | |- prepare_data/ # 数据准备流水线
| | \- analysis/ # 分析流水线
| \- conf/ # Hydra 配置文件
| |- training/ # 训练配置
| |- dataset/ # 数据集配置
| |- model/ # 模型配置
| |- prepare_data/ # 数据准备配置
| \- analysis/ # 分析配置
|
|- src/
| |- data_module/ # 数据处理模块
| | |- dataset/ # 数据集实现
| | |- augmentation/ # 数据增强
| | |- collate_fn/ # Collate 函数
| | |- compute_metrics/ # 指标计算
| | |- prepare_data/ # 数据准备逻辑
| | |- data_func/ # 数据工具函数
| | \- utils.py # 模块内部工具
| |
| |- model_module/ # 模型实现
| | |- brain_decoder/ # Brain decoder 模型
| | \- model/ # 备选模型目录
| |
| |- trainer_module/ # 训练逻辑
| |- analysis_module/ # 分析与评估
| |- llm/ # LLM 相关代码
| \- utils/ # 共享工具
|
|- data/
| |- raw/ # 原始、不可变数据
| |- processed/ # 清洗与转换后的数据
| \- external/ # 第三方数据
|
|- outputs/
| |- logs/ # 训练与评估日志
| |- checkpoints/ # 模型检查点
| |- tables/ # 结果表格
| \- figures/ # 图表与可视化
|
|- pyproject.toml # 项目配置
|- uv.lock # 依赖锁文件
|- TODO.md # 任务跟踪
|- README.md # 项目文档
\- .gitignore # Git 忽略规则
更详细的目录说明参见 references/structure.md。
新增 dataset 时：
src/data_module/dataset/ 中创建文件@register_dataset("name") decoratortorch.utils.data.Dataset__init__、__len__、__getitem__from torch.utils.data import Dataset
from typing import Dict
import torch
from src.data_module.dataset import register_dataset
@register_dataset("custom")
class CustomDataset(Dataset):
def __init__(self, data):
self.data = data
def __len__(self):
return len(self.data)
def __getitem__(self, i: int) -> Dict[str, torch.Tensor]:
return self.data[i]
CRITICAL：模型使用 config-driven 模式
新增 model 时：
src/model_module/model/ 或对应子目录中创建文件@register_model('ModelName') decorator__init__ 只能接收 cfg 参数，所有超参数都来自配置forward() 返回 dict：{"loss": loss, "labels": labels, "logits": logits}self.training 处理训练与推理模式from src.model_module.brain_decoder import register_model
@register_model('MyModel')
class MyModel(nn.Module):
def __init__(self, cfg):
super().__init__()
self.cfg = cfg
self.task = cfg.dataset.task
# ALL parameters from cfg
self.hidden_dim = cfg.model.hidden_dim
self.output_dim = cfg.dataset.target_size[cfg.dataset.task]
def forward(self, x, labels=None, **kwargs):
if self.training:
# Training logic
pass
else:
# Inference logic
pass
return {"loss": loss, "labels": labels, "logits": logits}
新增 augmentation 时：
src/data_module/augmentation/ 中创建文件完整风格指南参见 references/code_style.md。
关键原则：
__init__.py 包含 factory / registry 逻辑项目使用 Hydra 管理配置：
run/conf/，按模块组织详细信息请查看：
references/structure.md - 带文件说明的详细目录结构references/factory_pattern.md - Factory pattern 详解references/registry_pattern.md - Registry pattern 详解references/auto_import.md - Auto-import pattern 详解references/code_style.md - 完整代码风格指南examples/ 中的可运行示例：
examples/custom_dataset.py - 自定义 dataset 实现examples/custom_model.py - 自定义 model 实现examples/augmentation_example.py - 数据增强示例examples/config_example.yaml - 配置文件示例examples/pipeline_example.sh - pipeline 脚本示例