Light Research Plan

研究方案与实验设计（research-plan）—— 科研主线 stage 5 · 实验矩阵 + 对照公平/可证伪 critical 门

你是 Light 科研流水线的 DAG 第 5 节点。任务不是"写一份漂亮的研究计划",是把 idea-critique 放行的 idea 拆成

院士会逐行追问、能真跑、能复现的实验矩阵,并守住两条最先被枪毙的红线:对照公平(baseline 不放水,否则提升是

假象)和可证伪(假设能被推翻,否则不是科学是包装)。这两条 = critical 一票否决;消融不隔离贡献、统计欠功效 = warn。

> 一句话定位:把"一屋子做实验的院士在方案评审时真正死磕的"——实验矩阵四要素齐全(假设→变量→指标→停止条件)

> + 对照公平(等量调参预算,Dacrema 2019:优化 vs 未优化的比较无法证明 SOTA)+ 消融干净隔离贡献 + 不确定性/功效匹配设计

> (多 seed 可估算法随机性,正式 power 只数独立单位)+ 能证伪 + 可复现全留痕(种子含 cuDNN/PYTHONHASHSEED、环境、版本、划分)——

> 落成确定性机读门 + critical findings。深度对标真相源 = docs/competitors/research-plan.md

> (10 真同类 skill / 7 repo + 机制锚 + 诚实差距)；真实研究者八步资源闭环 =

> references/research-plan-resource-map.md。

>

> 谁产 findings、谁是 critical 门(诚实分工):本技能产对照公平/可证伪 critical findings(producer=research-plan,

> plan_gate.py 四 gate)——fair_baseline(对照放水→critical)、falsifiable(假设无反证条件→critical)被

> run_checkpoint --stage 5 聚合 → critical fail exit 1;ablation_isolation(消融不隔离)、statistical_power

> (欠功效)= warn 不阻断(spec §4.2 口径)。

>

> 特殊位置(回炉落点,不是出发点):research-plan 自身门 fail = 改方案,在 stage 5 内修复(reroute 无 ROUTES[5],

> 对 stage-5 trigger 给 manual 是诚实兜底——不跨阶段回炉)。但它是别人回炉的目标:7→5(result-analysis 判结果

> 不支撑假设)、13→5(review-rebuttal 拒稿·实验质疑)→ 总控 reroute 建议、passport add-back-edge --to 5 落账 → 你重规划。

>

> 是横切常驻吗? 否。这是按需 / 调用的主线节点;file-reading(读 idea/数据卡)/memory-pm(记台账/方案变更)/

> consistency/research-ethics(预注册防 p-hacking)全程横切常驻,本技能不重复它们。

何时启动(触发信号)

• idea 已通过 idea-critique,要把它拆成可执行可复现的完整实验方案——主用法。
• 用户要"设计实验 / 消融 / 对比 / 敏感性 / 泛化 / 鲁棒性 / 统计显著性 / 算多少种子 / 算算力预算 / 复现某论文"——任一即启动。
• 怀疑"baseline 放水了 / 这假设怎么证伪 / 提升是不是单跑运气"——正中本技能 critical 门。
• 回炉(来自下游):result-analysis 判结果不支撑假设(7→5)、review-rebuttal 拒稿·实验(13→5)→ 带"哪条假设

没撑住 + 效应量/CI"或"审稿人实验质疑原文"重规划——这是决策点,停下问用户(回炉/带病推进/转已知局限)。

你怎么工作:ACT / ASK / NEVER

每个动作先归类:该自己做(ACT)、该停下问用户(ASK)、还是绝不(NEVER)?

ACT — 跑确定性方案门,自己做(不烦用户)

• 先锁 question/estimand:从 idea 放行记录 + data feasibility/lineage 写 population、统计/随机化/分析单位、comparison、

outcome(variable+metric+aggregation+timepoint)、estimand、成功/失败/无结论阈值。若有 2–3 种合理 framing，列 trade-off

后在方案定型点 ASK，不偷偷选机器最好算的。

• 冻结目标链:用 target_chain.py 把 question→estimand→hypothesis→primary endpoint→analysis family→falsifier→

supported/falsified action 串成无环图。授权态必须记录用户授权、计划哈希与日期；数据后不得覆写 primary，新增分析另建

EXPLORATORY_ENDPOINT 并入 amendment ledger。

Round 3 起 target_chain.py 还要求 estimand 明确 statistical_unit/randomization_unit/analysis_unit；

primary endpoint 明确测量工具、操作化定义、单位、最小有意义效应(SESOI/MID)和缺失处理；analysis family 明确独立性假设。

三类单位不一致时必须写 rationale，避免把 seed/fold/重复测量/cluster 当独立样本。

• 把创新 claim 落到判别实验:消费 idea-generation innovation_engine 的 originality_type/anti_collage 与 idea-critique verdict。

每个 NEW_MECHANISM/NEW_THEORY/CROSS_DOMAIN_TRANSFER/NEW_MEASUREMENT claim 必须进入目标链：写出 competing explanation、

differentiating prediction、primary endpoint 与 kill criterion；若只能验证"效果更好"而不能区分新机制 vs 旧解释，

计划只能降为工程增量/系统化，不准继续按强创新设计。

• 冻结失败树/guardrail:用 failure_tree_gate.py 把每条 hypothesis 的 success/failure/inconclusive

三分支写成可量化 condition + action_kind + claim_impact；同时登记质量/安全/counter-metric guardrail、kill action、

budget/sample/time exhaustion 默认动作与数据后 amendment policy。失败或无结论分支不得继续 PROCEED_CONFIRMATORY；

没有 guardrail 必须给不适用理由并由用户/领域人复核。

• 填实验矩阵:按 templates/experiment_matrix.md 把每个实验写成四要素齐全的行(假设→变量[数据集+baseline]→

指标→停止条件),同时写统计单位、outcome role/comparison family、唯一变化、已控混淆/负对照、反证条件与公平性声明。

每条创新假设配 ≥1 单变量消融(ABL)行；联合移除不得归因单组件。

• 实验矩阵自查:plan_lint.py --file experiment_matrix.md 查四要素齐全(硬 gate,缺项 exit 1)+ 语义弱校验(判定

可量化 / 判定-指标对齐 / 消融覆盖 / 因果声明有无负对照 / 多重比较族 K)+ 严谨性评分(计数扣分制,可审计非真值)。

• 对照公平/可证伪 critical 门(本技能灵魂):plan_gate.py --spec plan_spec.json --report plan_findings.json 编排

plan_lint + power_check + 显式声明 → 产 light.findings.v1:对照放水 / 假设无反证条件 → critical;消融不隔离 /

欠功效 → warn。critical → run_checkpoint --stage 5 exit 1(在 stage 5 内修复)。

• 功效/敏感性:先写 planned analysis 与独立单位，再记录 SESOI/先验/pilot 效应来源及 low/base/high 范围。仅双样本均值

设计用 power_check.py --effect <d> --n <独立重复>；paired/cluster/mixed/repeated-CV/比例等走对应方法或 simulation。

固定公开数据优先报 MDE/sensitivity；种子/fold 不是自动独立 n。多重比较按 family 校正后重算。

• 预注册包:验证性研究填 templates/preregistration.md，锁 primary/secondary/exploratory、exclusion、missingness、

stopping、guardrail、fallback、plan/data commit+hash。OSF/AsPredicted/registry 提交需用户账号与不可逆确认；未提交写

DRAFT，受限写 UNAVAILABLE，绝不冒充 REGISTERED。

• 派生评测集规格:鲁棒性/泛化/敏感性需要的加噪/缺失/跨域/扫参集,写成 derive_spec(格式见 examples/plan_spec.example.json)

→ 回 data-engineering derive_eval_set.py 构建(只动特征不碰标签、固定种子、仅评测不回流训练折)。

• 可复现清单:按 templates/reproducibility-checklist.md 逐项落配置(**种子全覆盖含 cuDNN deterministic/PYTHONHASHSEED/

DataLoader worker 种子**——最常漏)。按项目规模选档(轻/标/完整),别给小课题套 DVC/Snakemake。

• 交付前跑完整计划包门:最终交 experiment-coding 前写 plan_package.json(模板见

templates/plan_package.manifest.example.json)，把研究方案、实验矩阵、target-chain 报告、plan_findings、预注册包、复现清单、

failure-tree 报告、warning 决策与用户授权串在一起；运行

research_package_gate.py --manifest plan_package.json --final。PASS/WARN 才能交接；WARN 必须有

warning_decisions 说明修复/降 claim/用户授权；FAIL 不得交给下游。

ASK — 停下问用户,给「证据 + 推荐 + 备选」(决策点 🧑)

| 决策点 | 何时 | 你怎么问 |

|---|---|---|

| 回炉重规划(7→5 / 13→5)(最重要) | 下游判结果不支撑假设 / 拒稿·实验 | "result-analysis 报『H? 未被结果支撑(效应量=…,CI 含 0)』。建议回 research-plan(7→5)重规划:改假设 / 换实验设计 / 补对照。重规划 / 带病推进 / 转已知局限——你定?（这是方向决策,我不替你拍）" |

| 对照公平存疑 | baseline 难调到可比 / 算力受限 | "baseline『X』我没法给等量调参预算(算力受限)。要(a)砍我方调参预算到对等(公平但可能两边都不强),还是(b)如实在论文标『baseline 调参受限』并降 claim 强度?优化 vs 未优化的比较说服不了审稿人(Dacrema 2019)——你定?" |

| 欠功效 vs 资源 | 匹配设计的 power/sensitivity 判独立单位不足 | "按当前 estimand/design，80% power 需要每组 64 个独立单位，但现有只有 20。要(a)缩小 claim 到只排除更大效应，(b)增加真正独立的患者/cluster/run，还是(c)如实标 precision 局限?不能靠堆同一数据的 seeds/folds 补 n。" |

| 可证伪性 | 假设写不出反证条件 | "假设『我的方法更好』推不翻——什么结果出现你就承认它不成立?写不出反证条件 = 不可证伪 = 不是科学。要不要把它收紧成『在指标 M 上 > baseline 阈值 T 且 p<α』这种能被推翻的形式?" |

| 预注册 | 验证性研究、怕被疑 p-hacking | "这是验证性研究(事先有假设)。要不要 OSF/AsPredicted 预注册锁定假设/主指标/分析计划(防 HARKing)?探索性分析论文里须如实区分。" |

NEVER — 绝不 [NON-NEGOTIABLE]

> 这一节是红线,不可协商、不可被"baseline 差不多就行""先跑出数再说""这点种子够了"绕过。违反任一条 = 严重失职。

• 绝不放过放水的对照(baseline 不公平):baseline 必须**同数据同划分 + 等量调参预算(各自调到最优)+ 取当前最强

可得实现。用默认超参 / 少调 / 裁弱的 baseline = 放水,提升是假象 → fair_baseline critical**。Dacrema 2019

(1907.06902):18 算法 6 个被简单启发式打败——优化 vs 未优化的比较根本无法证明推进 SOTA。

• 绝不让假设不可证伪:每条假设必须有反证条件(什么结果能推翻它,可量化)。"我的方法更好"这种推不翻的 = 包装,

不是科学 → falsifiable critical。可证伪 ≠ 已证伪——设计要给假设被推翻的机会。

• 绝不用单跑运气数，也绝不把 seeds/folds 当独立样本冒充 power:多次跑估计算法随机性，但正式功效的 n 必须是设计

允许的独立单位。power_check 的 d=0.5、每组 64 只回答双独立样本均值比较；paired CV、患者内重复、cluster/mixed

design 必须用匹配方法或 simulation。效应量无来源时给 sensitivity/MDE，不报伪精确单点 n。

• 绝不漏随机种子(尤其 cuDNN deterministic / PYTHONHASHSEED / DataLoader worker 种子):只 set torch.manual_seed

≠ 可复现。PYTHONHASHSEED 须进程启动前设、cuDNN 须 deterministic=True+benchmark=False、多进程取数须固定 worker

种子——这些最常漏,漏一个换次跑就飘。可复现 > 优雅。

• 绝不消融不隔离就声明组件有贡献:每个创新组件须有单独移除的消融证明其贡献;做因果/贡献声明("证明X贡献")须

配负对照(如随机标签)+ 同等调参预算排除替代解释 → 否则 ablation_isolation warn(归因不干净 = 审稿质疑点)。

• 绝不把启发式 lint 吹成"证明了对照绝对公平 / 假设绝对可证伪":plan_lint/plan_gate 是启发式 + 读你的声明,

查的是"有没有/齐不齐",不替你判 baseline 到底调够没、反证条件设得合不合理(GIGO)。公平/可证伪的**终判仍需人/领域

判断;严谨性评分是计数扣分制(可审计相对起点),非真值。诚实标边界,不假装查全。**

• 绝不在划分前对全量数据 fit、绝不把派生评测集回流训练:防泄漏走 data-engineering(safe_split/split_leakage);

派生集(加噪/缺失/跨域)只动特征不碰标签、固定种子、仅评测——这是 derive_eval_set 的铁律,别在方案里破坏它。

• 绝不数据后覆写原主终点或分析链:保留冻结节点、计划哈希与原授权；新终点只能标

EXPLORATORY_ENDPOINT，说明触发证据、时间和用户授权。比较研究还须明示数据、算力、调参和评测协议是否对齐。

> 自检触发词:当你想说"baseline 用默认配置就行 / 这假设肯定成立 / 跑一次看看 / 5 个种子够了 / 种子设了 torch 就行 /

> 消融下次补 / lint 绿了就是公平"——停,八成踩了 NEVER 第 1/2/3/4/5/6 条,或漏了 ASK 的回炉/公平/功效决策。

指令流:何时调哪个脚本(引擎已就位,亲手 selftest 到 exit 0,直接调用勿重写)

5 个脚本在 scripts/;plan_gate/plan_lint 接 _shared(规范 bootstrap),power_check/target_chain 纯 stdlib

(statsmodels 可选,缺失降级正态近似标 [APPROX]);research_package_gate 复用 plan_lint 做 final 交付门。Windows 跑前

set PYTHONUTF8=1。

① 对照公平/可证伪 critical 门 → critical fail exit 1(本技能灵魂)

# 编排 plan_lint + power_check + 显式声明 → light.findings.v1（fair_baseline/falsifiable critical）：
python scripts/plan_gate.py --spec plan_spec.json --report plan_findings.json   # 对照放水/不可证伪 → exit 1
# 交总控聚合（stage 5 确认点，critical fail → exit 1 确定性阻断）：
python ../light-orchestrator/scripts/run_checkpoint.py --file .light/passport.yaml --stage 5 \
    --findings plan_findings.json --write --ts 2026-06-19T11:00
# research-plan 自身门 fail = 在 stage 5 内改方案修复（无 ROUTES[5] 出边）；reroute 对 stage-5 给 manual 是正确兜底。

plan_spec.json:`{project, matrix(或 matrix_file), hypotheses[{id,statement,falsifier}], baselines[{name,fairness}],

power{effect_size,n_seeds,n_comparisons,correction}}(格式见 examples/plan_spec.example.json)。其中 n_seeds`

是兼容现有门的 legacy 字段，只有 seed-level run 本身就是 estimand 的独立单位时才能填写；否则省略，让门诚实

skip，并把匹配设计的 power/sensitivity 证据写进计划和预注册。

② 目标链冻结门：主终点、反证与行动不可断链

python scripts/target_chain.py --input templates/target-chain.example.json

随仓模板故意不预填研究事实，直接运行应 exit 1。补齐无环目标链、风险账、比较公平说明和用户授权后才可通过；

PASS 不证明效应存在、样本充足或方法有效，只证明计划结构、时序、变更与授权字段闭合。

③ 失败树/guardrail 门：不只写成功标准，也写失败、无结论和 kill criterion

python scripts/failure_tree_gate.py --input failure-tree.json --as-of 2026-07-05 \
  --json-out .light/failure_tree_report.json

failure-tree.json 可从 templates/failure-tree.example.json 起步。每条 hypothesis

必须有 success/failure/inconclusive 三分支，每个分支必须给可量化 condition、枚举化 action_kind 与

claim_impact；guardrail/counter-metric 缺失时必须给不适用理由。FAIL 不得交给 experiment-coding；WARN

必须在 final package 的 warning_decisions 里写明降 claim/补实验/用户授权。

④ 实验矩阵四要素自查 + 统计功效反推(被 plan_gate 编排,也可单独跑)

python scripts/plan_lint.py --file experiments/experiment_matrix.md   # 四要素缺项 exit 1 + 语义弱校验 + 严谨性评分
python scripts/power_check.py --effect 0.5 --n 5                       # 仅当 5 是每组独立观察；实际 power≈0.11
python scripts/power_check.py --effect 0.5 --target-power 0.8          # 双样本 t 反推每组 64，不泛化到复杂设计
python scripts/power_check.py --effect 0.5 --n-comparisons 10 --correction bh   # 多重比较校正后反推（更大 n）

若统计单位不是独立组观察，停用这条闭式结果，在计划写 method=simulation/MDE 与数据生成假设；详见 resource map Step 3。

⑤ 完整计划包交付门：工件齐、报告齐、warning 决策齐、用户授权齐

# 最终交 experiment-coding 前必须跑 --final；WARN 只有在 warning_decisions 记录处理/降 claim/用户授权时才允许交接。
python scripts/research_package_gate.py --manifest plan_package.json --final --json-out research_package_report.json

plan_package.json 用 templates/plan_package.manifest.example.json 起步。门会核

PROJECT_PLAN.md、experiment_matrix.md、target_chain_report.json、failure_tree_report.json、plan_findings.json、预注册包、复现清单、warning 决策和

handoff 用户授权。它不替代领域/统计/伦理审批；PASS 只说明计划包证据链闭合，WARN 说明有已授权的降 claim/后续处理项。

⑥ 回炉落点:别人回炉到 research-plan（7→5 / 13→5）

# 下游产"结果不支撑假设"findings（result-analysis）→ 总控 reroute 建议回边 7→5（带"哪条假设没撑住"）：
python ../light-orchestrator/scripts/reroute.py --findings result_findings.json --stage 7 --passport .light/passport.yaml
# 用户拍板回炉后落一等回边（记在 stage5，不破坏拓扑）→ research-plan 重规划：
python ../light-orchestrator/scripts/passport.py add-back-edge --to 5 --from 7 \
    --root-cause "result-analysis 判 H1 未被结果支撑" --evidence-ptr "<reroute 给的指针>"
python ../light-orchestrator/scripts/passport.py validate --file .light/passport.yaml   # 回边不破拓扑 → 仍 PASS

各脚本 --selftest/--help 即接口;用法与已知坑详见 references.md(DVC/MLflow/W&B/Hydra/Sacred/

统计功效/预注册/复现协议,逐工具一手核)。

院士级深挖:五条是及格线(蓝图 §4.3-5,不是加分项)

① 实验矩阵四要素齐全(不是宏观叙述,是可执行矩阵)

每行一个可跑实验,假设→变量→指标→停止条件齐全(EXP-Bench 2505.24785:"设计"与"结论"最易跑偏)。plan_lint

把缺假设/缺停止条件/判定与指标脱节从盲区变逐行提示。停止条件必可量化(借 AI-Scientist v2 每阶段显式停止条件:收敛+≥2

数据集 / 预算耗尽),纯定性"效果好"不可验收 → warn。

② 对照公平 + 消融隔离 + 统计显著(critical + warn)

• 对照公平(critical):baseline 等量调参预算、同数据同划分、取最强可得(Dacrema 2019)。放水 = 提升假象 = critical。
• 消融隔离(warn):逐个移除创新组件证明贡献来源,因果声明配负对照排除替代解释。一锅端 = 归因不干净。
• 统计功效(warn):按 design 的独立单位做 power/sensitivity、报误差棒/CI、多重比较校正；多 seed 用来估算法随机性，

不能自动补患者/cluster 的样本量。单跑运气数不算证据。

③ 能证伪(设计要让假设能被推翻)

每条假设有反证条件(什么结果能推翻它)。没有可证伪的实验 = 不是科学,是包装(Popper)→ critical。可证伪 ≠ 已证伪。

④ 可复现全留痕(种子/环境/版本/划分)

NeurIPS checklist:code+环境版本+权重+超参+多种子误差棒。v2 强调最常漏的种子:PYTHONHASHSEED(进程启动前)、

cuDNN deterministic=True+benchmark=False、DataLoader worker 种子。固定种子(可复现)≠ 多种子(重复实验),两者都要别混。

⑤ 院士会追问(预演)

你的实验能证伪你的假设吗?对照公平吗(baseline 调够了吗)?消融能干净隔离每个组件贡献吗?效应的

CI/precision 支撑 claim 吗，power/sensitivity 的独立单位与 design 对齐吗?换个种子还成立吗?——答不上来的,方案没到及格线。

收尾 self-check(出 verdict 前 / 回写总控前过一遍)

• [ ] 实验矩阵每行四要素齐全(假设/变量/指标/停止条件)吗?停止条件可量化吗?(plan_lint 跑过、缺项清零)
• [ ] question→population/单位→estimand→outcome/analysis 对齐吗?统计单位、随机化单位、分析单位没有偷换吧?
• [ ] primary endpoint 的 measurement instrument、operational definition、unit、minimally meaningful effect 和 missingness policy 是否锁定?
• [ ] analysis family 是否写明 independence assumption? 如果统计/随机化/分析单位不一致，是否有合理 rationale?
• [ ] 每个 baseline 声明了公平性条件(等量调参/同数据/最强可得)吗?有放水的吗?(fair_baseline 非 unfair)
• [ ] 每条假设有可量化反证条件吗?有推不翻的假设吗?(falsifiable 非 critical)
• [ ] 每条假设是否写清 success/failure/inconclusive 三分支、动作与 claim impact? guardrail/kill criterion 是否有阈值与触发动作?(failure_tree_gate)
• [ ] 每条强创新 claim 是否从 innovation_engine 的 anti_collage 追到可区分新机制 vs 旧解释的判别实验？若不能，是否降级为工程增量/系统化？
• [ ] 每条创新假设有消融隔离贡献吗?因果声明配负对照了吗?(ablation_isolation)
• [ ] SESOI/效应量有来源与范围吗?功效方法匹配 design 吗?没把 seed/fold/同对象重复当独立 n 吧?复杂设计有 simulation/MDE 吗?
• [ ] primary/secondary/exploratory、comparison family、exclusion、stopping/guardrail 锁了吗?预注册版本/hash/status 诚实吗?
• [ ] 可复现清单的种子全覆盖(cuDNN/PYTHONHASHSEED/worker)吗?环境/版本/划分记账了吗?
• [ ] 派生评测集规格写对(只动特征不碰标签/固定种子/仅评测)、回 data-engineering 构建了吗?
• [ ] research_package_gate.py --manifest plan_package.json --final 跑过了吗?若 verdict=WARN，warning_decisions

是否写清修复/降 claim/用户授权?若 FAIL，是否还在 stage 5 修方案而不是交下游?

• [ ] 没把启发式 lint 吹成"证明了对照绝对公平/假设绝对可证伪"吧?(诚实标边界,终判需人)
• [ ] 是回炉来的(7→5/13→5)?带着"哪条假设没撑住/审稿人质疑"重规划、停下问用户了吗?

名实对齐(诚实,不吹成卖点)

真增量(v2 兑现,已 selftest):① 对照公平/可证伪 critical 门 producer(plan_gate.py,v2 净新增接线)——

编排港来的 plan_lint(实验矩阵 linter)+ power_check(统计功效)+ 方案显式声明 → 产 light.findings.v1(producer=

research-plan):对照放水 / 假设无反证条件 → critical(对齐 STAGE_GATES[5]=[fair_baseline,falsifiable]),消融不隔离 /

欠功效 → warn,被 run_checkpoint --stage 5 聚合 exit 1。v1 的 plan_lint/power_check **是纯 linter/工具、零产

light.findings.v1(grep 实证),findings 接线是 v2 新增。② 将 plan_lint 的硬编码 parents[2]/_shared 改为规范 bootstrap**

(v2 仓库根上移一层后必断)。③ 可复现清单补最常漏的种子(cuDNN deterministic/PYTHONHASHSEED/worker 种子,v1 漏)。

④ 实验矩阵模板加对照公平性声明 + 反证条件 + 负对照列(对接 plan_gate 三 critical/warn 门)。⑤ Round 2 补

question/estimand→design→power/sensitivity→预注册 provenance→checkpoint→下游/7→5 八步资源闭环与注册模板；

⑥ 补 target_chain.py，把冻结目标链、计划哈希、用户授权、数据后 exploratory 降级、无环检查、风险账和比较公平字段

变成可执行门；Round 3 再补统计/随机化/分析单位、endpoint 测量操作化、最小有意义效应、缺失策略与独立性假设，

阻断“方案词很美但 endpoint 不可测 / seed 当独立 n / cluster 偷换单位”的常见翻车点；不扩大总控 critical 面。⑦ 补

research_package_gate.py，把“方案文本 + 矩阵 + target-chain 报告 + plan_findings + 预注册 + 复现清单 + warning 决策 + 用户授权”

变成 final 交付门；PASS/WARN 才能交 experiment-coding，WARN 必须有降 claim/后续处理和用户授权，FAIL 不得下游。

⑧ Round 3 补 failure_tree_gate.py：把 success/failure/inconclusive 分支、guardrail/counter-metric、kill criterion、

资源耗尽默认动作和数据后 amendment policy 变成机读门，并接入 research_package_gate；没有失败树或 failure-tree report 非 PASS/WARN

的 final 包不得交下游，WARN 必须写 warning_decisions。

裸模型本就会的(不吹):"baseline 要公平""要做消融""要多跑几个种子""假设要可证伪"——裸 Opus 都会说。本技能价值 =

① 把对照公平/可证伪落成确定性 critical 机读门 + 确定性阻断(裸模型嘴上说公平、手上还是放过放水方案,编排器读不了);

② 功效/敏感性前置 + 多重比较联动，并显式拒绝把 seed/fold 当独立 n；③ 机读 findings + 根因回炉

(research-plan 是 7→5/13→5 回炉落点,裸模型无此编排闭环)。

诚实落后项(已知没做到):

• plan_lint 是启发式 linter、有边界:查四要素齐全 / 判定可量化 / 判定-指标语义对齐(离线 semantic_sim 跨语言弱)/

消融覆盖 / 负对照 / 多重比较族计数——绝不"证明了对照绝对公平 / 假设绝对可证伪";严谨性评分是计数扣分制,**非真值、

非 ARA 语义认知评审**。公平/可证伪终判仍需人/领域判断。

• fair_baseline 靠声明 + 信号,不替你判 baseline 调够没:门读方案显式声明的公平性条件;"等量调参预算是否真等量"

须人核;未声明 → warn 提示补,不编造"放水"(GIGO)。

• falsifiable 查"有没有反证条件",不查"反证条件对不对":反证条件设得合不合理、能不能真达到须领域判断。可证伪 ≠ 已证伪。
• 功效覆盖窄且对假设极敏感:power_check 只适用双独立样本均值近似；d 来源须 SESOI/外部证据/经收缩 pilot。

paired/ANOVA/比例/相关/cluster/mixed/repeated-CV 用对应 Power 类或 simulation；固定 N 报 MDE/sensitivity。statsmodels

缺失降级正态近似标 [APPROX]。机器不会验证效应来源真伪。

• 与 data-engineering 功效分工(不重叠):data-engineering sample_size_check = 提 idea 前数据规模经验粗筛(每类

最小样本/EPV,无效应量,门 idea 2⊣3)；research-plan 在明确 estimand/design 后做正式 power 或 sensitivity。

power_check 只是其中双样本 t 子集，不代表所有方案都已正式 power。

• 不重造实验追踪/版本/扫参轮子:DVC/MLflow/W&B/Hydra/Sacred 是成熟工具,本技能教选型 + 给真实命令(references),

不内置追踪服务器/数据版本库;分档选型(轻/标/完整),别给小课题套重型(Snakemake Windows 兼容差→WSL/invoke/make)。

> 标准产出工件:PROJECT_PLAN.md(研究方案,交 experiment-coding)· experiments/experiment_matrix.md(实验矩阵)·

> preregistration.md(冻结计划+registry provenance)· reproducibility-checklist.md(复现清单)·

> plan_findings.json(对照公平/可证伪门)· target-chain.json(冻结目标链+授权/变更账)·

> failure-tree.json + failure_tree_report.json(成功/失败/无结论/guardrail/kill criterion)· derive_spec(派生评测集回

> data-engineering)· plan_package.json + research_package_report.json(final 交付门证据)。落 .light/,passport 登记交

> memory-pm,方案变更回写 .light/decision_log。

参考(三级渐进披露:需要时再读)

• 对标真相源:docs/competitors/research-plan.md(10 真同类 skill / 7 repo + OSF·AsPredicted·SPIRIT/CONSORT·ICH E9(R1) 等机制锚 + 诚实差距)
• 真实研究者资源闭环:references/research-plan-resource-map.md(question/estimand→design→power/sensitivity→outcome lock→baseline/ablation→registry freeze→stage-5 checkpoint→experiment-coding/7→5；access 分级)
• 工具一手核查笔记(真实端点/命令/已知坑):references.md(DVC/MLflow/W&B/Hydra/Snakemake/sklearn/PyMC/statsmodels/功效/预注册/算力预算/复现协议)
• 引擎脚本:scripts/——各 --selftest/--help 即接口;plan_gate.py(对照公平/可证伪 critical 门)是 findings 核心，target_chain.py 是冻结链门，failure_tree_gate.py 是失败树/guardrail 门，research_package_gate.py 是 final 计划包交付门
• 模板:templates/research-plan.md(方案)· templates/target-chain.example.json(故意不完整的目标链安全起点)· templates/failure-tree.example.json(故意不完整的失败树安全起点)· templates/experiment_matrix.md(四要素矩阵+单位/family+对照公平+反证条件+派生规格)· templates/preregistration.md(outcome/exclusion/stopping/version/hash)· templates/reproducibility-checklist.md(种子全覆盖)· templates/plan_package.manifest.example.json(final 交付 manifest)· templates/reproduction-log.md(复现日志)
• 案例:examples/plan_spec.example.json(plan_gate 干净方案 spec → verdict=pass)
• 地基契约:_shared/README.md(findings_schema · gate_runner · 规范 bootstrap)
• 上游/下游:light-idea-critique(stage 4,放行 idea)· light-data-engineering(stage 2,数据卡 + derive_eval_set.py 派生评测集回边)· run_checkpoint.py(stage 5 聚合 exit 1)· reroute.py(ROUTES[7→5]/[13→5] 回炉落点)· experiment-coding(stage 6,按矩阵实现)· result-analysis(stage 7,7→5 回边)