算法研究流程：选有效证据路线，准备好执行路径

遵循 goal-first：主线是 PyTorch 算法研发，每个新增观察须影响研究决策或明确的认识目标。预研可以简陋但须数值可信；耗时整模前清掉可避免浪费，优化够用即停。意外发现先判断是否影响本题，不自动追加研究分支。

分工与入口

• 本 skill 协调阶段与证据；不重写相邻 skills 的实验执行、kernel 优化或等待机制。
• 已知结论和已确认方案直接复用；从当前缺口进入，不要求每轮从讨论重来。先从 project-profile 定位当前路线及其与其它路线的关系，本流程只协调选定范围，不代替项目全景。
• 每个新分支先选有效证据路线：复用已有结果、代理预研、探索性矩阵都可。代理不能回答问题或整模矩阵更直接时，可直接提出有界矩阵；已敲定论文协议可直接进入正式矩阵准备。
• 小型研究可在本会话推进；探索／消融／Pareto／论文矩阵需要设计时用 exp-campaign。范围由研究目的决定，不强求也不否定完整矩阵。
• 预研也可直接是“小数据集＋参数扫描／消融矩阵”，保留真实模型与评分路径，无需抽取张量。样本子集大小、配置数和执行 batch 是不同选择。
• 步骤按研究对象、运行方式、整批成本和代码现状选用；不按“预研／正式”标签机械串行。真实评测路径的批量预研也须先做轻量代码就绪检查，已有有效证据直接复用。

1. 先理解问题，主动带着方案交流

1. 查项目记录、现有基线、代码入口和相邻实验；已有答案不重做。
2. 用短句说清：研究问题／主张、要观察的差异或权衡、保留的语义、当前未知、分析结果后如何决定下一步。
3. 想法模糊时用 exp-discuss；进入细节后按 grilling 的前沿问题逐轮交流，每个问题带推荐答案和理由。
4. Agent 自己调查可查的模型、数据、接口与成本；只让用户决定研究意图和科学取舍，不反问“你打算怎么预研”。

完成：双方知道要回答的问题；继续追问不再改变观察目标。讨论阶段不偷偷启动实验。

2. Agent 主动比较代理预研与实验矩阵

• 先提出信息价值与成本相称的方案；比较局部代理和真实矩阵谁更能回答问题，不一概把“更小”当更好。有真实取舍时给一两个备选，不把大菜单丢给用户。
• 推荐须具体：从哪里取对象、按什么规则挑、保存什么、比较谁、测什么、哪些结果对应继续／停止、随后怎样做整模验证。
• 优先考虑复用真实运行中的局部计算：例如从训练／校准数据采集激活、配对权重、mask 与分组，在离线回放中研究实际输出误差。
• 代理不限定为张量：还可选单层／层组、固定路由分支、带缓存的短序列、少量梯度步骤或极小整模。按假设选择，不能为了便宜删掉关键依赖。
• 参数影响不清、需要消融／交互或帕累托曲线时，矩阵本身就是研究主体；无需先获得阳性代理结果，也无需预言每格结果。明确因素、范围、指标、预算与必要覆盖后执行。
• 最务实的候选之一是固定少量真实样本，对参数候选逐项同题评测。主动提出子集、基线、扫描范围、指标及整批成本，先检查执行路径再跑矩阵；不必先建张量代理库。
• 每个新增分支说明已有代理为何够用、需补什么或为何失效；不默认重复采集和建整套数据集。
• 在当前任务记录中保留一份简短方案，字段见 references/proxy-study.md；不额外制造层层计划文件。
• 用户确认代理／矩阵方案后再执行。已有确认或授权不反复询问；科学口径、选择规则或预算发生实质变化时再讨论。

完成：方案含选择／覆盖规则、对照、指标、预算、认识目标与证据局限，足以执行。若通过真实模型评测路径批量运行，或单次／整批成本较高，先完成第4–5节准备与放行。

3. 预研先回答问题，不先追求速度

• 按已选路线执行：单点观察用 exp-probe，代理对照或矩阵用 exp-batch；已选择矩阵就不强加张量代理。单次廉价局部预研允许简陋实现；真实评测批量预研先审视代码，不为它深度调优。
• 数值定义、数据来源和对照仍须正确；记录实际输入、源码／配置、结果及失败，不能拿任意随机张量证明真实模型结论。
• 避免按候选算法的胜负挑样本；极端对象之外留普通对照和选择频次。选择集与确认集按问题分开。
• 分析机制、响应／权衡与分支取舍；代理无结论时可改用更有判别力的矩阵，与用户确认实质变化。不要无目的扩大，也不要因代理不清就禁止整模研究。
• 局部更优只说明代理上的证据；不宣称整模指标提升，也不把逐组 oracle 当可部署规则。

完成：有可追溯的观测与下一步证据需求；信息价值或正式覆盖可支持继续，不以已有阳性结果作为门槛。

4. 按执行方式准备 PyTorch 路径

调用 pytorch-perf-tuning；先审视再决定改什么，不要求为了“优化过”强行改代码。

真实模型评测的批量预研（包括小数据集小矩阵）和耗时整模都适用。按整批估算共用加载、逐配置准备／编译、重复次数和评分代价；不要因单次样本少就忽略重复浪费。廉价局部单点检查以正确性为主，代码已就绪时复用记录即可。

• 分开研究／校准与在线评测：保留必要统计功能，评测去掉临时采集 hook、调试输出、无用张量／图、重复副本和搬运。
• 检查逐项循环、无意义同步、batch 与并行空间；同时核对 mask、样本独立性、dtype 和统计组，不能为提速改变算法。
• 高频且与算法解耦的连续操作可复用已有批量／分组实现或融合核；需要独立开发时由 pytorch-perf-tuning 按 kernel-worker 派发真实shape任务，在已约定预算内自主优化。主会话保留语义与整模验收，不被调优细节占据。
• 优化前固定同一算法的 PyTorch 参考；执行优化对照不与算法消融混在一起。逐项校验数值边界和真实对象，必要时检查状态读写、历史缓存及梯度；公共核可复用已有证据。
• 用少量真实整模样本测在线路径、有效吞吐和 host 耗时；旁路观察设备忙碌度、功率与内存用途，合理解释剩余限制。
• 这一小段整模 smoke 是放行检查本身，不是提前启动耗时评测；局部算子沿用已声明的设备计量契约，原版／候选同输入同口径对照，不用微基准替代整模结果。

完成：实现可直接进入既定评测，正确且没有已知、影响明显、能廉价消除的浪费；或已经证明当前限制合理。没有固定利用率／功率／加速比门槛。

5. 放行是证据结论，不是额外审批仪式

在现有任务记录写一条可复用的放行结论：

• 真实评测路径的批量预研与耗时整模须在放行范围内启动；待补证据时只做必要修复和小检查。合理的带宽／依赖限制不等于不合格。
• 放行由 Agent 据证据判断；方案已确认且执行已授权时不再要求用户重复点头，正式执行权限沿用项目约定。
• 只认本次或明确可复用的实测证据；计时器、启动成功、进程结束、旧状态文件都不能单独证明通过。
• 改动影响数值、执行路径、shape／分组／mask 或协议时重审对应证据；文档修改无需重跑，换前处理也不默认重调所有公共核。

完成：能指向“哪些实现、什么范围、凭什么可以投入整模”的短记录；不需要审批系统或新的通用框架。

6. 有界整模验证，然后回到研究决策

• 用 exp-batch 按方案执行已放行配置；新执行路径先小批次核对成本，已有有效就绪证据的正式矩阵可直接运行，不反复制造预研阶段。
• 复用同协议正式基线；固定样本、提示／评分、计算口径和随机性，记录逐题身份与响应证据。
• 若有代理，对照其预测与整模结果；不一致回查代理局限。探索矩阵形成的趋势／Pareto候选按约定确认，正式矩阵完成主张所需覆盖；不因早期好点省略必要对照。
• 真实进程、新鲜日志和完整结果共同验收；失败／中止如实记录。成本超预期先定位加载、准备、在线阶段，不盲目继续。
• 回报本路线的结论、证据边界与下一步；路线或关键认识变化时用 save-mem 同步现有记录和画像，不把一次实验阶段完成当成研究问题已解决。可复用方法再回流 skill。
• 解释结果时按需读 references/evidence-interpretation.md：执行完成、质量核查、科学判断分开；独立单位与不确定性匹配研究问题。先分清是执行问题、对照不足还是机制未获支持，再决定修复、重设计、回讨论或收口，不默认继续加运行。

完成：原问题得到回答或边界明确，约定的论文／矩阵覆盖完成；新增分支须有认识或验证目标，不要求预先知道它会获胜。

参考与演化

• references/proxy-study.md：代理主体选择、激活／权重回放、方案字段与典型盲区。
• references/evidence-interpretation.md：主张与对照、独立单位、有效阴性、分析边界及版本化交接；方法参考 Light-Science，沿用本项目记录，不启用另一套目录／记忆。
• 经验演化型：实际使用暴露代理失真、放行缺口或流程负担时修订对应小节；具体模型／路径／实验数字留项目，方法回流技能仓。