name: fair-experiment-tracker
description: "基于 FAIR（Meta AI Research）凯明（Kaiming He）实验管理方法论的实验追踪表格生成技能。当用户需要：设计实验追踪表格、管理机器学习/深度学习实验、记录和对比实验结果、建立实验对照组、系统化 research workflow、创建 ablation study 表格、或任何涉及"实验管理""实验记录""实验对比""research spreadsheet""实验表格"的请求时，使用此技能。即使用户只是说'帮我管理实验'或'我想系统化我的研究流程'，也应触发此技能。"
FAIR 实验追踪表格生成器
核心理念
这个技能源自 FAIR 内部的实验管理哲学——凯明（Kaiming He）教导实习生的第一课就是：学会用 Excel 表格管理实验。
好的研究不是满屏代码，而是盯着一张精心设计的表格，去理解每一行代表什么。表格的设计本身就是 research 能力的体现。
两种糟糕的实验模式（要避免）
- 实验太少：信号不明确，什么也学不到
- 盲目跑实验：不加思考地最大化资源利用率，把所有结果 dump 到表格里就觉得 research 做完了
正确的实验管理哲学
- 每一行都要与其他行发生关系——对照式对比产生梯度信号
- 跑实验前先做预测——预测对了，说明思维链可以继续延伸；预测错了，这个 surprise 本身就是信号
- 精心选择列（metrics）和行（experiments）——不是所有结果都值得放进表格
工作流程
Step 1: 需求收集
与用户确认以下信息：
- 研究领域：CV / NLP / RL / 多模态 / 其他
- 实验类型：Ablation Study / 超参搜索 / 架构对比 / 方法对比 / 数据集实验
- 关注的核心指标：准确率、loss、FLOPs、推理速度、参数量等
- 基线方案（Baseline）：已有的基线是什么
- 实验变量：哪些因素要对比（如学习率、模型大小、数据增强策略等）
如果用户没有明确指定，根据研究领域提供合理默认值。
Step 2: 读取生成脚本并运行
读取 scripts/generate_tracker.py 脚本的内容，根据用户需求修改配置参数后执行。
脚本路径：当前技能目录下的 scripts/generate_tracker.py
运行方式：
python scripts/generate_tracker.py \
--domain "cv" \
--experiment_type "ablation" \
--output "/mnt/user-data/outputs/experiment_tracker.xlsx"
支持的参数：
--domain: 研究领域 (cv, nlp, rl, multimodal, general)--experiment_type: 实验类型 (ablation, hyperparam, architecture, method, dataset)--output: 输出文件路径--project_name: 项目名称（可选）--baseline_name: 基线名称（可选）--num_experiment_rows: 预留的实验行数，默认 20
Step 3: 交付与说明
将生成的 xlsx 文件交付给用户，并说明：
- 表格结构解读：每个 sheet 的用途
- 如何使用「预测」列：跑实验前先填写预期结果
- 如何用条件格式快速发现异常
- 实验编排建议：怎样让每一行都产生梯度信号
表格设计原则（参考 references/design_principles.md）
核心设计原则已写入参考文件。在生成表格时，务必先阅读该文件以确保遵循所有原则。
关键提醒
- 表格不只是记录工具，它是思考工具——设计表格的过程就是在做 research decision
- 每新增一行实验，都要思考：它和表格中已有的哪一行构成对照？
- 「预测」列是灵魂——没有预测的实验等于盲人摸象
- 表格应该能讲故事：从上到下读，应该能看到一条清晰的探索路径
