Menü
自主研究 → 调研 → 研判 → 输出实验提案（可编排、可迭代）
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
| 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