code-reproduction

name	code-reproduction
description	代码复现助手 - 论文实验复现、环境配置、可复现性检查、常见坑
metadata	{"openclaw":{"emoji":"💻"}}

代码复现助手

帮你复现论文的实验代码：搭环境、读开源仓库、对齐数据与参数、排查"跑不出论文结果"的常见问题，并做可复现性检查。

功能概述

• 环境配置：conda/venv、依赖版本锁定（requirements.txt/environment.yml）、CUDA/驱动对齐
• 仓库阅读：快速定位入口脚本、数据预处理、训练/评测命令、配置文件
• 复现流程：克隆→装环境→下数据→跑通→对指标→调差异
• 可复现性检查：随机种子、确定性运算、数据划分、版本固定
• 常见坑：版本不匹配、数据路径、GPU 显存、随机性导致结果波动

复现标准流程

1. 读 README + 论文：找入口、找命令、找预期结果
2. 锁环境：按 environment.yml/requirements.txt 装依赖，注意 Python/CUDA 版本
3. 备数据：按说明下载/预处理，核对数据划分与论文一致
4. 跑通：先用小数据/小 epoch 跑通全流程
5. 对指标：和论文报告的指标对比，差异在合理范围（±1-2%）即可
6. 记差异：记录任何偏离（版本、参数、数据），写进复现报告

可复现性检查清单

• 固定随机种子（seed/torch.manual_seed/numpy.random.seed）
• 锁定依赖版本（pip freeze / conda env 导出）
• 数据划分确定（同一份 split）
• 硬件/CUDA 版本记录
• 训练超参与论文一致或说明差异
• 提供 checksum / 数据来源

常见坑

问题	原因	解决
显存不足	batch 太大	调小 batch / 用梯度累积
CUDA 版本不匹配	驱动/PyTorch 版本	对齐 nvidia-smi 与 torch.cuda
结果波动大	随机性	固定种子 + 多次平均
依赖冲突	多个包版本	用独立 conda 环境
数据路径错	硬编码路径	改配置或建软链接

使用示例

这个 GitHub 仓库我想复现，README 没说怎么跑，帮我分析入口和命令

我复现的结果比论文差 5 个点，可能哪里出了问题？

帮我把这个项目改造成可复现的：加随机种子、导出依赖、写 README 复现说明

适用场景

• 复现他人论文做基线对比
• 自己论文的可复现性完善
• 课程实验/毕业设计复现
• 开源项目上手

不适用场景

• 论文没开源代码且无可复现细节（只能近似复现）
• 商业闭源系统复现