research-implement

name	research-implement
description	[Read when prompt contains /research-implement]
metadata	{"openclaw":{"emoji":"💻","requires":{"bins":"[Truncated]"}}}

Research Implement

Don't ask permission. Just do it.

Prerequisites

File	Source
plan_res.md	/research-plan
survey_res.md	/research-survey
repos/ (optional)	reference code

If plan_res.md is missing, STOP: "需要先运行 /research-plan 完成实现计划"

Output

File	Content
project/	完整可运行代码
ml_res.md	实现报告（含真实执行结果）

---

Workflow

Step 1: 读取计划

读取 plan_res.md，提取：

• 所有组件列表
• 数据集信息
• 训练参数

Step 2: 创建项目结构

project/
  model/          # 模型组件（每个组件一个文件）
  data/           # 数据加载
  training/       # 训练循环 + loss
  testing/        # 评估
  utils/          # 工具函数
  run.py          # 入口（必须输出 [RESULT] 行）
  requirements.txt

Step 3: 实现代码

按此顺序实现（每步完成后立即验证）：

3a. requirements.txt — 列出所有依赖，pin 主版本

3b. 数据管道

cd project && uv venv .venv && source .venv/bin/activate
uv pip install -r requirements.txt
python3 -c "from data.dataset import *; print('data OK')"

验证：import 无报错

3c. 模型架构

python3 -c "from model import *; import torch; x = torch.randn(2, ...); print(model(x).shape)"

验证：输出 shape 正确

3d. Loss + 训练循环

3e. 评估逻辑

3f. run.py — 必须包含：

print(f"[RESULT] train_loss={train_loss:.6f}")
print(f"[RESULT] val_metric={val_metric:.6f}")
print(f"[RESULT] elapsed={elapsed:.1f}s")
print(f"[RESULT] device={device}")

Step 4: 环境搭建 + 执行

cd project
uv venv .venv
source .venv/bin/activate

# 自动检测依赖格式
if [ -f "pyproject.toml" ]; then
    uv pip install -e .
elif [ -f "requirements.txt" ]; then
    uv pip install -r requirements.txt
fi

# 2 epoch 验证
python3 run.py --epochs 2

Step 5: 验证执行结果

执行完成后，必须：

1. 读取 stdout/stderr 完整输出
2. 确认存在 [RESULT] 行
3. 确认 loss 非 NaN/Inf
4. 确认 loss 有下降趋势（即使微小）

如果执行失败：

• 读取报错信息
• 修复代码
• 重新执行
• 最多重试 3 次

Step 6: 写入报告

写入 ml_res.md：

# Implementation Report

## Data Source
- Dataset: {name} — real / mock (reason)
- If mock: steps to obtain real data: [...]

## Components Implemented
- {module}: {description}

## Quick Validation Results (from execution log)
- Epochs: 2
- [RESULT] train_loss={从执行输出中复制}
- [RESULT] val_metric={从执行输出中复制}
- [RESULT] elapsed={从执行输出中复制}
- [RESULT] device={从执行输出中复制}

> 以上数值直接引用自代码执行输出。
> 如任何数值无法从执行日志中验证，标注为 ⚠️ UNVERIFIED。

## Deviations from Plan
- {changes and why}

## Known Issues
- {issues}

---

Critical Rules

1. 禁止编造结果。 所有数值必须来自代码执行输出。执行失败就报告失败。
2. 禁止使用全局 pip。 必须用 uv venv 隔离。
3. 禁止直接 import repos/，必须改写适配。
4. mock 数据必须标注 — 代码中 # MOCK DATA: <reason>，报告中声明。
5. run.py 必须输出 [RESULT] 行，报告必须引用这些输出。
6. 3 次重试后仍失败，写入失败报告并停止。