fair-experiment-tracker

name	fair-experiment-tracker
description	基于 FAIR / Meta AI 风格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、建立对照组、系统化研究 workflow、创建 ablation study 表格，或提出“帮我管理实验”“我想系统化我的研究流程”“做个 research spreadsheet / 实验表格”等需求时，使用此技能。

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）

1. 实验太少：信号不明确，什么也学不到
2. 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：

1. 研究领域：CV / NLP / RL / 多模态 / 其他
2. 实验类型：Ablation Study / 超参搜索 / 架构对比 / 方法对比 / 数据集实验
3. 关注的核心指标：准确率、loss、FLOPs、推理速度、参数量等
4. 基线方案（Baseline）：已有的基线是什么
5. 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：

1. 表格结构解读：每个 sheet 的用途
2. 如何使用「预测」列：跑实验前先填写预期结果
3. 如何用条件格式快速发现异常
4. 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