메뉴
"拆解和分析 AI/ML 实验项目代码库，生成完整的项目分析报告。当用户想要理解一个新的代码库、要求分析项目结构、想了解训练/推理流程、要求代码走读、或想弄清一个研究项目的工作原理时，使用这个 skill。触发场景包括但不限于：用户说"帮我看看这个项目"、"分析一下这个代码"、"拆解这个 repo"、"这个项目是怎么工作的"、"帮我理解这个实验代码"，甚至只是打开一个不熟悉的 AI 项目目录然后问"这是什么"。"
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| name | code-dissect |
| description | "拆解和分析 AI/ML 实验项目代码库，生成完整的项目分析报告。当用户想要理解一个新的代码库、要求分析项目结构、想了解训练/推理流程、要求代码走读、或想弄清一个研究项目的工作原理时，使用这个 skill。触发场景包括但不限于：用户说"帮我看看这个项目"、"分析一下这个代码"、"拆解这个 repo"、"这个项目是怎么工作的"、"帮我理解这个实验代码"，甚至只是打开一个不熟悉的 AI 项目目录然后问"这是什么"。" |
你的任务是对一个 AI/ML 实验项目进行全方位的代码拆解，输出一份结构化的 Markdown 分析报告。
这份报告的目标读者是一个懂 AI 但不了解这个具体项目的研究员——帮他在最短时间内建立对项目的完整理解。
在写任何分析之前，先彻底搞懂项目。这一步至关重要——分析的质量完全取决于你对代码的理解深度。
不要跳读，不要猜。如果某个模块的作用不确定，继续读它的代码和被调用的上下文，直到理解为止。
将所有分析写入项目根目录下的 PROJECT_ANALYSIS.md，包含以下 7 个部分。
用一段自然语言概括整个项目的核心信息：
面向一个懂 AI 但不了解此项目的研究员。用自然语言把思路讲清楚，不要堆砌术语。如果项目基于某篇论文，关联论文的核心思想。
示例风格：
这个项目实现了一种基于扩散模型的文本到图像生成方法。核心思路是在潜空间（而非像素空间）进行去噪过程，通过预训练的 VAE 将图像压缩到低维潜空间后再进行扩散，大幅降低了计算成本。文本条件通过 cross-attention 机制注入 U-Net 的每一层，使用 CLIP 文本编码器提取语义特征。相比直接在像素空间操作的方法（如 DDPM），这种方式在保持生成质量的同时将训练成本降低了一个数量级。
用树形图展示项目的文件结构，在每个文件/目录后用简短注释说明作用。
project/
├── train.py # 训练入口，解析参数并启动训练循环
├── inference.py # 推理入口，加载模型并生成输出
├── config/
│ └── default.yaml # 默认超参数配置
├── models/
│ ├── __init__.py
│ ├── encoder.py # 编码器：将输入映射到隐藏空间
│ └── decoder.py # 解码器：从隐藏表示生成输出
├── data/
│ ├── dataset.py # 数据集定义与加载逻辑
│ └── transforms.py # 数据预处理与增强
└── utils/
├── metrics.py # 评估指标（BLEU, FID 等）
└── distributed.py # 分布式训练工具
规则：
.git、__pycache__、.egg-info、node_modules 等非代码目录... 标注），但核心代码模块必须完整展开用 Mermaid 流程图展示训练和推理的主线流程，节点是文件名，边标注数据流向或调用关系。
训练流程和推理流程必须分开画成两张独立的 Mermaid 图，不要合并。即使两者有重叠的部分，也要各自独立完整地展示。
训练流程图要让读者一眼看出："数据从哪来、经过哪些文件、模型在哪定义、损失在哪算、怎么更新参数"。
推理流程图要让读者一眼看出："输入从哪来、模型怎么加载、推理怎么执行、输出怎么后处理"。
训练流程：
graph TD
subgraph 训练流程
A[train.py] -->|读取配置| B[config/default.yaml]
A -->|构建数据集| C[data/dataset.py]
C -->|数据增强| D[data/transforms.py]
A -->|构建模型| E[models/encoder.py]
E --> F[models/decoder.py]
A -->|计算损失 & 反向传播| G[losses/loss.py]
A -->|评估| H[utils/metrics.py]
A -->|保存检查点| I[utils/checkpoint.py]
end
推理流程：
graph TD
subgraph 推理流程
A[inference.py] -->|读取配置| B[config/default.yaml]
A -->|加载检查点| C[utils/checkpoint.py]
A -->|构建模型| D[models/encoder.py]
D --> E[models/decoder.py]
A -->|加载输入数据| F[data/dataset.py]
A -->|执行推理| G[models/model.py]
A -->|后处理 & 输出| H[utils/postprocess.py]
end
更细粒度的流程图，节点是类名或函数名，标注所在文件，展示实际的调用链。
训练和推理必须分开画成两张独立的 Mermaid 图。
训练流程图应该能回答："当我执行 python train.py 时，代码依次调用了哪些类的哪些方法？"
推理流程图应该能回答："当我执行推理脚本时，代码依次调用了哪些类的哪些方法？"
训练流程：
graph TD
subgraph 训练流程
A["main() — train.py"] -->|解析参数| B["parse_args() — train.py"]
A -->|初始化| C["Trainer.__init__() — engine/trainer.py"]
C -->|构建模型| D["build_model() — models/__init__.py"]
D --> E["Encoder() — models/encoder.py"]
D --> F["Decoder() — models/decoder.py"]
C -->|加载数据| G["build_dataloader() — data/dataset.py"]
C -->|开始训练| H["Trainer.train() — engine/trainer.py"]
H -->|单步训练| I["Trainer.train_step() — engine/trainer.py"]
I -->|前向传播| J["Model.forward() — models/model.py"]
I -->|计算损失| K["compute_loss() — losses/loss.py"]
I -->|反向传播| L["loss.backward() + optimizer.step()"]
end
推理流程：
graph TD
subgraph 推理流程
A["main() — inference.py"] -->|解析参数| B["parse_args() — inference.py"]
A -->|加载模型| C["load_checkpoint() — utils/checkpoint.py"]
C -->|构建模型| D["build_model() — models/__init__.py"]
D --> E["Encoder() — models/encoder.py"]
D --> F["Decoder() — models/decoder.py"]
A -->|加载输入| G["load_input() — data/dataset.py"]
A -->|执行推理| H["Model.forward() — models/model.py"]
H -->|生成输出| I["generate() / decode() — models/model.py"]
A -->|后处理| J["postprocess() — utils/postprocess.py"]
end
如果调用链很复杂（超过 20 个节点），拆成多个子图（如"模型构建"、"训练循环"、"数据加载"分开画），但保持子图之间的连接关系可见。
逐个解析项目中对理解整体流程至关重要的类和函数。按模块分组。
每个条目包含：
聚焦于核心代码——模型定义、损失计算、关键算法步骤。日志、可视化、CLI 参数解析等辅助代码可以跳过。
格式示例：
MultiHeadAttention — models/attention.py:L25x: [B, L, D] 输入序列，mask: [B, 1, L, L] 可选的注意力掩码out: [B, L, D] 注意力输出说明如何实际运行这个项目：
基于项目中实际存在的脚本和配置，不要编造命令。如果 README 中有示例命令，可以引用但要核实其准确性。
用伪代码将整个项目的核心流程串联起来。这段伪代码的目的是让读者在不看源码的情况下就能理解整个系统的工作原理。
伪代码的原则：
# === 训练 ===
config = load_config("config/default.yaml")
model = Encoder(config) + Decoder(config) # 构建模型
dataset = load_dataset(config.data_path) # 加载并预处理数据
optimizer = AdamW(model.params, lr=config.lr)
for epoch in range(config.epochs):
for batch in dataset:
x, labels = preprocess(batch) # [B, L] -> [B, L, D]
h = model.encoder(x) # [B, L, D] -> [B, L, H]
logits = model.decoder(h) # [B, L, H] -> [B, L, V]
loss = cross_entropy(logits, labels)
loss.backward()
optimizer.step()
if epoch % config.eval_every == 0:
metrics = evaluate(model, val_set)
save_checkpoint(model, metrics)
# === 推理 ===
model = load_checkpoint("best_model.pt")
output = model.generate(input_text, max_len=512)