result-analysis

name	result-analysis
description	当 Supervisor 说"分析一下实验结果"， 或实验 status 变为 completed 后 autoresearch 自动调用， 分析实验数据并判断假设是否成立
argument-hint	<experiment>
allowed-tools	Read, Edit, Glob, Grep

Purpose

result-analysis 是 MindFlow 实验闭环的最后一环。给定一个实验笔记（[[Experiments/xxx.md]]），它系统性地读取所有 Run Entries、关联 Idea 的 hypothesis，结合历史记忆上下文，从五个维度完成分析：

分析维度	含义
Hypothesis Verdict	hypothesis 是否得到支持——supported / refuted / inconclusive
Key Findings	实验揭示的最重要事实，不局限于 hypothesis
Comparison to Baseline	与 baseline 或对照组的量化对比
Limitations	当前实验的约束条件和潜在偏差
Implications	对后续研究方向、Idea 修正或 DomainMaps 更新的启示

分析结果写入 Experiment 笔记的 ## Analysis 节；若发现跨实验规律，追加到 Workbench/memory/patterns.md；若 verdict 明确，同步更新关联 Idea 的 status 字段。

Steps

Step 1：读取目标 Experiment 全部 Run Entries

用 Read 打开 experiment 参数指向的 Experiments/xxx.md 文件。提取以下字段：

• status：确认为 running 或 completed（若为 planned，停止并告知 Supervisor"实验尚未运行，暂无数据可分析"）
• hypothesis（若直接记录在 Experiment 文件中）或 idea_ref（指向关联 Idea）
• 所有 ## Run 节或 Run Entries 表格：记录每个 run 的 config、metrics、observations
• baseline：对照指标或对照组描述

将所有 run 数据整理为结构化列表，方便后续比较。

Step 2：找到关联 Idea，读取其 hypothesis

若 Step 1 中发现 idea_ref 字段（格式为 [[Ideas/xxx.md]]），用 Read 打开对应 Idea 文件，提取：

• hypothesis：本实验试图验证的核心假设（完整保留原文）
• status：当前 Idea 状态（用于 Step 7 的同步更新）
• tags：领域关键词（用于 memory-retrieve 检索范围）

若 idea_ref 为空或文件不存在，从 Experiment 文件本身提取 hypothesis，并在分析记录中注明"未找到关联 Idea，hypothesis 来自 Experiment 文件"。

Step 3：执行 memory-retrieve（scope: insights + patterns）

调用 memory-retrieve skill，以 Step 2 的 hypothesis 和 tags 作为 query，scope 设为 insights 和 patterns，检索与本实验相关的历史经验：

• 相似假设在过去实验中是否被验证或否定
• 已知有效或无效的 method/config 模式
• 领域内的已知规律（patterns）

将检索结果作为分析的背景上下文，在后续五维分析中标注"参考历史记忆"的依据。若记忆库为空或无相关条目，继续执行，在分析中注明"暂无相关历史记忆"。

Step 4：执行五维分析

综合 Step 1-3 的全部信息，逐维完成分析：

4.1 Hypothesis Verdict

根据实验数据判断 hypothesis 的成立情况，给出三选一结论：

• supported：主要 run 的核心 metric 一致、显著地支持 hypothesis，且排除了明显的混淆因素
• refuted：主要 run 的核心 metric 一致地与 hypothesis 相悖，结果方向明确
• inconclusive：数据不足（run 数量少、方差过大）、结果矛盾、或 metric 与 hypothesis 不直接对应

给出 1-3 句证据说明，直接引用 run 数据中的具体数字。禁止在数据不充分时强行判断为 supported 或 refuted。

4.2 Key Findings

列出 2-5 条最重要的发现，不局限于 hypothesis 的直接验证。每条一句话，格式：

- [Finding]：<具体描述，引用数据>

Key Findings 可以包含：意外规律、config 敏感性、数据质量问题、与预期相悖的现象等。

4.3 Comparison to Baseline

若 Experiment 文件中定义了 baseline，量化比较核心 metric 的提升/下降：

| Metric | Baseline | Best Run | Delta | 说明 |
| :----- | :------: | :------: | :---: | :--- |
| ...    |    ...   |    ...   |  ...  | ...  |

若无 baseline 定义，在此节注明"本实验未定义 baseline，无对照比较"，不伪造对比数据。

4.4 Limitations

列出 2-4 条当前实验的主要局限，包括但不限于：

• 样本量/run 数量不足
• 超参搜索范围有限
• 评估 metric 与 hypothesis 的对应关系存疑
• 数据集分布偏差或 generalization 风险
• 实验条件与实际应用场景的差距

4.5 Implications

基于本次实验结果，给出 2-4 条对后续研究的启示：

• 若 supported：可推进的下一步实验或值得写入 DomainMaps 的规律
• 若 refuted：应修正的 hypothesis 方向或需要放弃的 Idea
• 若 inconclusive：需要补充的实验设计（更多 runs / 不同 metric / ablation）
• 跨实验的 pattern（若本次发现与历史记忆有共鸣）

Step 5：将分析写入 Experiment 笔记的 ## Analysis 节

用 Edit 在目标 Experiment 文件（Experiments/xxx.md）中写入（或覆盖）## Analysis 节，格式如下：

## Analysis — YYYY-MM-DD

### Hypothesis Verdict

**Verdict**：supported / refuted / inconclusive

<1-3 句证据说明，引用具体 run 数据>

### Key Findings

- [Finding 1]：<描述>
- [Finding 2]：<描述>
- ...

### Comparison to Baseline

| Metric | Baseline | Best Run | Delta | 说明 |
| :----- | :------: | :------: | :---: | :--- |
| ...    |   ...    |   ...    |  ...  | ...  |

（若无 baseline，注明"未定义 baseline"）

### Limitations

- <限制 1>
- <限制 2>
- ...

### Implications

- <启示 1>
- <启示 2>
- ...

日期填写今天（YYYY-MM-DD）。若文件中已存在 ## Analysis 节，覆盖整节内容（保留其他节不变），并在日志中注明"覆盖了旧 Analysis 节"。不得修改任何 Run Entry 的原始数据。

Step 6：若有跨实验 pattern，追加到 patterns.md

检查 Step 4 的分析结果，判断是否发现了跨实验规律（cross-experiment pattern）——即：本次发现与 memory-retrieve 返回的历史记忆高度一致，或本次发现可能对多个 Idea/实验具有普适价值。

若存在 cross-experiment pattern，用 Edit 将其追加到 Workbench/memory/patterns.md，格式：

### [YYYY-MM-DD] <Pattern 标题>

- **Observation**：<一句话描述规律>
- **Evidence**：[[Experiments/xxx]] + （可选历史来源引用）
- **Scope**：<适用范围，如 "VLA fine-tuning" 或 "low-data regime">
- **Confidence**：low / medium / high
- **Lesson**：<对未来实验设计的指导意义>

若无跨实验规律，跳过此步。

Step 7：若 verdict 明确，更新关联 Idea status

若 Step 4.1 的 verdict 为 supported 或 refuted（即非 inconclusive），且 Step 2 中找到了关联 Idea 文件，用 Edit 同步更新 Idea 文件的 frontmatter status 字段：

Verdict	Idea 新 status
supported	validated
refuted	archived
inconclusive	保持原值，不修改

仅修改 status 字段，Idea 文件其他内容保持不变。

Step 8：追加日志

用 Edit（若文件不存在则先 Write）将以下 log entry 追加到 Workbench/logs/YYYY-MM-DD.md：

### [HH:MM] result-analysis
- **input**: [[Experiments/xxx]]
- **verdict**: supported / refuted / inconclusive
- **key-finding**: <最重要的一条发现，一句话>
- **idea-status-updated**: yes（[[Ideas/xxx]] → validated/archived）/ no
- **pattern-added**: yes / no
- **status**: success

若日志文件不存在，先创建文件（一级标题 # YYYY-MM-DD），再追加 entry。

Verify

• Experiment 文件已写入 ## Analysis — YYYY-MM-DD 节，包含全部五个子节
• Verdict 为 supported / refuted / inconclusive 三选一
• 关联 Idea 的 status 已同步更新（若 verdict 非 inconclusive 且 idea_ref 存在）
• 若发现跨实验 pattern，已追加到 Workbench/memory/patterns.md
• 日志已追加到 Workbench/logs/YYYY-MM-DD.md

Guard

• verdict 必须基于实际数据：Hypothesis Verdict 的判断必须引用 Experiment 文件中的具体 run metric。不得根据主观印象或"感觉上"下结论。
• inconclusive 不强行下结论：数据不充分时（run 数量 < 3、metric 方差过大、结果相互矛盾），必须判为 inconclusive，不得为追求"明确结论"而强行判定 supported 或 refuted。
• 不修改 Run Entries：只读取 Run Entry 数据，绝对不修改 Experiment 文件中任何 ## Run 节的原始内容。分析是独立节，与 run 数据并存。
• 语言规范：中文正文 + 英文技术术语（模型名、metric 名、benchmark 名、方法名保持英文，不翻译）。

Examples

示例：分析一个已完成的 VLN fine-tuning 实验

假设 Experiment 文件为 Experiments/VLN-LoRA-R2R-2026Q1.md，包含以下信息：

• status: completed
• idea_ref: [[Ideas/VLN-LoRAFinetuning]]
• baseline：DUET 在 R2R val-unseen 的 SR=0.57
• 3 个 Run Entries：
  • Run A（rank=8）：SR=0.61, SPL=0.52
  • Run B（rank=16）：SR=0.63, SPL=0.54
  • Run C（rank=32）：SR=0.62, SPL=0.53

关联 Idea Ideas/VLN-LoRAFinetuning.md 的 hypothesis：

"对 DUET 应用 LoRA fine-tuning（rank 8-32），可以在 R2R val-unseen 上将 SR 提升至少 5 个百分点，同时保持 SPL 不显著下降。"

执行过程：

1. Read Experiments/VLN-LoRA-R2R-2026Q1.md — 提取 3 个 Run Entries 数据，整理为结构化列表

2. Read Ideas/VLN-LoRAFinetuning.md — 提取 hypothesis（SR 提升 ≥5pp）和 status: developing、tags: [VLN, LoRA, R2R]

3. 调用 memory-retrieve（scope: insights + patterns，query: "LoRA fine-tuning VLN R2R"）— 假设返回一条历史 pattern："rank 过大在低数据量场景易过拟合"

4. 五维分析：

   • Verdict：supported — Run A/B/C 的 SR 分别提升 +4pp、+6pp、+5pp，平均 +5pp，满足 hypothesis 阈值；SPL 均保持在 0.52-0.54，未显著下降
   • Key Findings：rank=16 为最优（SR=0.63）；rank=32 相比 rank=16 无进一步提升，与历史 pattern"高 rank 易过拟合"一致
   • Comparison to Baseline：SR 0.57→0.63（+10.5%），SPL 0.51→0.54（+5.9%）
   • Limitations：仅测试 rank ∈ {8, 16, 32}，未覆盖更大范围；仅在 val-unseen 验证，未测 test set
   • Implications：可将 rank=16 作为 VLN LoRA 的推荐默认值；可进一步探索 LoRA + data augmentation 的组合

5. Edit Experiments/VLN-LoRA-R2R-2026Q1.md — 写入 ## Analysis — 2026-03-28 节

6. Edit Workbench/memory/patterns.md — 追加新 pattern："LoRA rank=16 在 VLN R2R fine-tuning 中表现最优，rank 继续增大无收益"（Confidence: medium，因仅有 1 个实验支撑）

7. Edit Ideas/VLN-LoRAFinetuning.md — 更新 status: validated（verdict=supported）

8. Edit Workbench/logs/2026-03-28.md — 追加 log entry