scientify 2.1.0 → 3.0.0

package/skills/research-collect/SKILL.md

@@ -14,24 +14,15 @@ metadata:
 
 **Don't ask permission. Just do it.**
 
-**Workspace:** `$W` = working directory provided in task parameter.
-
 ## Output Structure
 
 ```
-$W/
-├── survey/
-│   ├── search_terms.json      # 检索词列表
-│   └── report.md              # 最终报告
 ├── papers/
-│   ├── _downloads/            # 原始下载
-│   ├── _meta/                 # 每篇论文的元数据
-│   │   └── {arxiv_id}.json
-│   └── {direction}/           # 整理后的分类
-├── repos/                     # 参考代码仓库（Phase 3）
-│   ├── {repo_name_1}/
-│   └── {repo_name_2}/
-└── prepare_res.md             # 仓库选择报告（Phase 3）
+│   ├── {arxiv_id}/             # arXiv 论文源文件
+│   ├── {doi_slug}.pdf          # DOI 论文 PDF
+│   └── {direction}/            # 整理后的分类目录
+├── repos/                      # 参考代码仓库（Phase 3）
+└── survey_report.md            # 调研报告
 ```
 
 ---
@@ -40,13 +31,11 @@ $W/
 
 ### Phase 1: 准备
 
-确保工作目录结构存在：
-
 ```bash
-mkdir -p "$W/survey" "$W/papers/_downloads" "$W/papers/_meta"
+mkdir -p "papers"
 ```
 
-生成 4-8 个检索词，保存到 `$W/survey/search_terms.json`。
+生成 4-8 个检索词。
 
 ---
 
@@ -58,40 +47,21 @@ mkdir -p "$W/survey" "$W/papers/_downloads" "$W/papers/_meta"
 
 ```
 arxiv_search({ query: "<term>", max_results: 30 })
+openalex_search({ query: "<term>", max_results: 20 })
 ```
 
-#### 2.2 即时筛选
-
-对返回的论文**立即**评分（1-5），只保留 ≥4 分的。
+合并两个来源的结果，按 arXiv ID / DOI 去重。
 
-评分标准：
-- 5分：核心论文，直接研究该主题
-- 4分：相关方法或应用
-- 3分及以下：跳过
+#### 2.2 筛选
 
-#### 2.3 下载有用论文
+只看**相关性**——这篇论文是否和研究主题直接相关？
 
-```
-arxiv_download({
-  arxiv_ids: ["<有用的论文ID>"],
-  output_dir: "papers/_downloads"
-})
-```
+- **相关**：直接研究该主题，或提出了可借鉴的方法 → 保留
+- **不相关**：主题偏离，仅在关键词上有交集 → 跳过
 
-#### 2.4 写入元数据
+#### 2.3 下载论文
 
-为每篇下载的论文创建元数据文件 `$W/papers/_meta/{arxiv_id}.json`：
-
-```json
-{
-  "arxiv_id": "2401.12345",
-  "title": "...",
-  "abstract": "...",
-  "score": 5,
-  "source_term": "battery RUL prediction",
-  "downloaded_at": "2024-01-15T10:00:00Z"
-}
-```
+按 /paper-download 的方式下载论文到 `papers/`。
 
 **完成一个检索词后，再进行下一个。** 这样避免上下文被大量搜索结果污染。
 
@@ -101,9 +71,9 @@ arxiv_download({
 
 **目标**：为下游 skill（research-survey、research-plan、research-implement）提供可参考的开源实现。
 
-#### 3.1 选择高分论文
+#### 3.1 选择论文
 
-读取 `$W/papers/_meta/` 下得分 ≥4 的论文，选出 **Top 5** 最相关论文。
+从 `papers/` 中选出 **Top 5** 最相关论文。
 
 #### 3.2 搜索参考仓库
 
@@ -112,87 +82,47 @@ arxiv_download({
 - 核心方法名 + 作者名
 - 论文中提到的数据集名 + 任务名
 
-使用 `github_search` 工具：
-```javascript
-github_search({
-  query: "{paper_title} implementation",
-  max_results: 10,
-  sort: "stars",
-  language: "python"
-})
+```bash
+gh search repos "{paper_title} implementation" --limit 10 --sort stars --language python
 ```
 
 #### 3.3 筛选与 clone
 
-对搜索到的仓库，评估：
-- Star 数（建议 >100）
-- 代码质量（有 README、有 requirements.txt、代码结构清晰）
-- 与论文的匹配度
-
-选择 **3-5 个**最相关的仓库，clone 到 `$W/repos/`：
+选择 **3-5 个**最相关的仓库：
 
 ```bash
-mkdir -p "$W/repos"
-cd "$W/repos"
-git clone --depth 1 <repo_url>
+mkdir -p "repos"
+git clone --depth 1 <repo_url> "repos/{name}"
 ```
 
-#### 3.4 写入选择报告
-
-创建 `$W/prepare_res.md`：
-
-```markdown
-# 参考仓库选择
-
-| 仓库 | 对应论文 | Stars | 选择理由 |
-|------|----------|-------|----------|
-| repos/{repo_name} | {paper_title} (arxiv:{id}) | {N} | {理由} |
-
-## 各仓库关键文件
-
-### {repo_name}
-- **模型实现**: `model/` 或 `models/`
-- **训练脚本**: `train.py` 或 `main.py`
-- **数据加载**: `data/` 或 `dataset.py`
-- **核心文件**: `{关键文件路径}` — {描述}
-```
-
-**如果搜不到相关仓库**，在 `prepare_res.md` 中注明"无可用参考仓库"，后续 skill 将不依赖代码映射。
+**如果搜不到相关仓库**，跳过本阶段。
 
 ---
 
 ### Phase 4: 分类整理
 
-所有检索词和代码搜索完毕后：
-
-#### 4.1 读取所有元数据
-
-```bash
-ls $W/papers/_meta/
-```
-
-读取所有 `.json` 文件，汇总论文列表。
+所有检索词完毕后：
 
-#### 4.2 聚类分析
+#### 4.1 聚类分析
 
-根据论文的标题、摘要、来源检索词，识别 3-6 个研究方向。
+根据已下载论文的标题和摘要，识别 3-6 个研究方向。
 
-#### 4.3 创建文件夹并移动
+#### 4.2 创建分类目录
 
 ```bash
-mkdir -p "$W/papers/data-driven"
-mv "$W/papers/_downloads/2401.12345" "$W/papers/data-driven/"
+mkdir -p "papers/{direction}"
+mv "papers/2401.12345" "papers/data-driven/"
 ```
 
 ---
 
 ### Phase 5: 生成报告
 
-创建 `$W/survey/report.md`：
+创建 `survey_report.md`：
 - 调研概要（检索词数、论文数、方向数）
 - 各研究方向概述
-- Top 10 论文
-- **参考仓库摘要**（引用 prepare_res.md）
+- Top 10 论文（标题 + ID + 一句话价值）
+- 参考仓库摘要（如有）
 - 建议阅读顺序
 
 ---
@@ -201,14 +131,14 @@ mv "$W/papers/_downloads/2401.12345" "$W/papers/data-driven/"
 
 | 原则 | 说明 |
 |------|------|
-| **增量处理** | 每个检索词独立完成搜索→筛选→下载→写元数据，避免上下文膨胀 |
-| **元数据驱动** | 分类基于 `_meta/*.json`，不依赖内存中的大列表 |
-| **文件夹即分类** | 聚类结果通过 `papers/{direction}/` 体现，无需额外 JSON |
+| **增量处理** | 每个检索词独立完成搜索→筛选→下载，避免上下文膨胀 |
+| **文件夹即分类** | 聚类结果通过 `papers/{direction}/` 体现 |
 
-## Tools
+## Tools / Commands
 
-| Tool | Purpose |
-|------|---------|
-| `arxiv_search` | 搜索论文（无副作用） |
-| `arxiv_download` | 下载 .tex/.pdf（需绝对路径） |
-| `github_search` | 搜索参考仓库 |
+| Tool / Command | Purpose |
+|----------------|---------|
+| `arxiv_search` | 搜索 arXiv 论文 |
+| `openalex_search` | 搜索跨学科论文（覆盖更广） |
+| /paper-download | 下载论文（arXiv .tex/PDF、DOI via Unpaywall） |
+| `gh search repos "query"` | 搜索 GitHub 仓库 |

package/skills/research-experiment/SKILL.md

@@ -15,15 +15,14 @@ metadata:
 
 **Don't ask permission. Just do it.**
 
-**Workspace:** `$W` = working directory provided in task parameter.
 
 ## Prerequisites
 
 | File | Source |
 |------|--------|
-| `$W/project/` | /research-implement |
-| `$W/plan_res.md` | /research-plan |
-| `$W/iterations/judge_v*.md` | /research-review（最后一份 verdict 必须是 PASS） |
+| `project/` | /research-implement |
+| `plan_res.md` | /research-plan |
+| `iterations/judge_v*.md` | /research-review（最后一份 verdict 必须是 PASS） |
 
 **验证 PASS：** 读取最新的 `judge_v*.md`，确认 `verdict: PASS`。如果不是，STOP。
 
@@ -31,8 +30,8 @@ metadata:
 
 | File | Content |
 |------|---------|
-| `$W/experiment_res.md` | 完整实验报告（含 full training + 消融 + 补充实验） |
-| `$W/experiment_analysis/analysis_{N}.md` | 每轮实验分析报告（迭代过程中产生） |
+| `experiment_res.md` | 完整实验报告（含 full training + 消融 + 补充实验） |
+| `experiment_analysis/analysis_{N}.md` | 每轮实验分析报告（迭代过程中产生） |
 
 ---
 
@@ -43,7 +42,7 @@ metadata:
 修改 epoch 数为 plan_res.md 中指定的正式值。**不要改代码逻辑，只改 epoch。**
 
 ```bash
-cd $W/project && source .venv/bin/activate
+cd project && source .venv/bin/activate
 python3 run.py  # full epochs
 ```
 
@@ -78,7 +77,7 @@ python3 run.py --epochs 2 --ablation no_attention
 
 #### 4.1 分析当前结果
 
-读取当前所有实验结果（full training + 消融），写入分析报告 `$W/experiment_analysis/analysis_{N}.md`：
+读取当前所有实验结果（full training + 消融），写入分析报告 `experiment_analysis/analysis_{N}.md`：
 
 ```markdown
 # Experiment Analysis Round {N}
@@ -108,7 +107,7 @@ python3 run.py --epochs 2 --ablation no_attention
 根据分析报告中的计划，修改代码并执行补充实验。**只改实验相关参数/配置，不改核心算法逻辑。**
 
 ```bash
-cd $W/project && source .venv/bin/activate
+cd project && source .venv/bin/activate
 python3 run.py --experiment {exp_name}
 ```
 
@@ -118,7 +117,7 @@ python3 run.py --experiment {exp_name}
 
 ### Step 5: 写入最终实验报告
 
-汇总所有实验结果（full training + 消融 + 2 轮补充实验），写入 `$W/experiment_res.md`：
+汇总所有实验结果（full training + 消融 + 2 轮补充实验），写入 `experiment_res.md`：
 
 ```markdown
 # Experiment Report
@@ -158,8 +157,8 @@ python3 run.py --experiment {exp_name}
 | {Baseline} | {value} | ... |
 
 ### Visualizations
-- 训练曲线: `$W/project/figures/training_curve.png`
-- {其他可视化}: `$W/project/figures/{name}.png`
+- 训练曲线: `project/figures/training_curve.png`
+- {其他可视化}: `project/figures/{name}.png`
 
 ## Conclusions
 - {key findings from all experiments}

package/skills/research-implement/SKILL.md

@@ -15,15 +15,14 @@ metadata:
 
 **Don't ask permission. Just do it.**
 
-**Workspace:** `$W` = working directory provided in task parameter.
 
 ## Prerequisites
 
 | File | Source |
 |------|--------|
-| `$W/plan_res.md` | /research-plan |
-| `$W/survey_res.md` | /research-survey |
-| `$W/repos/` (optional) | reference code |
+| `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"
 
@@ -31,8 +30,8 @@ metadata:
 
 | File | Content |
 |------|---------|
-| `$W/project/` | 完整可运行代码 |
-| `$W/ml_res.md` | 实现报告（含真实执行结果） |
+| `project/` | 完整可运行代码 |
+| `ml_res.md` | 实现报告（含真实执行结果） |
 
 ---
 
@@ -40,7 +39,7 @@ metadata:
 
 ### Step 1: 读取计划
 
-读取 `$W/plan_res.md`，提取：
+读取 `plan_res.md`，提取：
 - 所有组件列表
 - 数据集信息
 - 训练参数
@@ -48,7 +47,7 @@ metadata:
 ### Step 2: 创建项目结构
 
 ```
-$W/project/
+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
@@ -66,7 +65,7 @@ $W/project/
 
 **3b. 数据管道**
 ```bash
-cd $W/project && uv venv .venv && source .venv/bin/activate
+cd project && uv venv .venv && source .venv/bin/activate
 uv pip install -r requirements.txt
 python3 -c "from data.dataset import *; print('data OK')"
 ```
@@ -93,7 +92,7 @@ print(f"[RESULT] device={device}")
 ### Step 4: 环境搭建 + 执行
 
 ```bash
-cd $W/project
+cd project
 uv venv .venv
 source .venv/bin/activate
 
@@ -125,7 +124,7 @@ python3 run.py --epochs 2
 
 ### Step 6: 写入报告
 
-写入 `$W/ml_res.md`：
+写入 `ml_res.md`：
 
 ```markdown
 # Implementation Report

package/skills/research-pipeline/SKILL.md

@@ -92,19 +92,11 @@ task 必须以 `/skill-name` 开头（触发 slash command 解析），后续行
 
 ---
 
-## Workspace
-
-`$W` = agent workspace root (see AGENTS.md for layout).
-
----
-
 ## Step 0: 初始化
 
-`$W` 即当前 agent 的工作目录（AGENTS.md 中定义）。
-
-检查 `$W/SOUL.md` 是否包含研究方向信息。如果没有（BOOTSTRAP 未完成），提示用户先完成 BOOTSTRAP 配置。
+检查 `SOUL.md` 是否包含研究方向信息。如果没有（BOOTSTRAP 未完成），提示用户先完成 BOOTSTRAP 配置。
 
-确保 `$W` 下存在必要的子目录（如 `survey/`, `papers/` 等）。
+确保 `papers/`、`knowledge/`、`ideas/`、`experiments/` 目录存在。
 
 ---
 
@@ -114,65 +106,65 @@ task 必须以 `/skill-name` 开头（触发 slash command 解析），后续行
 
 ### Phase 1: Literature Survey
 
-**检查:** `$W/papers/_meta/` 目录存在且有 `.json` 文件？
+**检查:** `papers/` 目录存在且有论文文件？
 
 **如果缺失，调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-collect\n工作目录: {$W绝对路径}\n研究主题: {从task.json提取}\n请搜索、筛选、下载论文到工作目录的 papers/ 下。"`
+- task: `"/research-collect\n研究主题: {从SOUL.md提取}\n请搜索、筛选、下载论文到工作目录的 papers/ 下。"`
 - label: `"Research Collect"`
 - runTimeoutSeconds: `1800`
 
-**验证:** `ls $W/papers/_meta/*.json` 至少有 3 个文件
+**验证:** `ls papers/` 至少有 3 篇论文
 
 ---
 
 ### Phase 2: Deep Survey
 
-**检查:** `$W/survey_res.md` 存在？
+**检查:** `survey_res.md` 存在？
 
 **如果缺失，先读取 Phase 1 摘要（论文数量、方向），然后调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-survey\n工作目录: {$W绝对路径}\n上下文: 已下载 {N} 篇论文，方向包括 {directions}。\n重点论文: {top 3 arxiv_id 和标题}\n请深度分析论文、提取公式，写入 survey_res.md。"`
+- task: `"/research-survey\n上下文: 已下载 {N} 篇论文，方向包括 {directions}。\n重点论文: {top 3 arxiv_id 和标题}\n请深度分析论文、提取公式，写入 survey_res.md。"`
 - label: `"Deep Survey"`
 - runTimeoutSeconds: `1800`
 
-**验证:** `$W/survey_res.md` 存在且包含"核心方法对比"表格
+**验证:** `survey_res.md` 存在且包含"核心方法对比"表格
 
 ---
 
 ### Phase 3: Implementation Plan
 
-**检查:** `$W/plan_res.md` 存在？
+**检查:** `plan_res.md` 存在？
 
 **如果缺失，读取 survey_res.md 摘要，然后调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-plan\n工作目录: {$W绝对路径}\n上下文: 调研发现核心方法是 {method}，推荐技术路线 {route}。\n关键公式: {1-2个公式}\n请制定实现计划到 plan_res.md。"`
+- task: `"/research-plan\n上下文: 调研发现核心方法是 {method}，推荐技术路线 {route}。\n关键公式: {1-2个公式}\n请制定实现计划到 plan_res.md。"`
 - label: `"Research Plan"`
 - runTimeoutSeconds: `1800`
 
-**验证:** `$W/plan_res.md` 存在且包含 4 个 section（Dataset/Model/Training/Testing）
+**验证:** `plan_res.md` 存在且包含 4 个 section（Dataset/Model/Training/Testing）
 
 ---
 
 ### Phase 4: Implementation
 
-**检查:** `$W/ml_res.md` 存在？
+**检查:** `ml_res.md` 存在？
 
 **如果缺失，读取 plan_res.md 要点，然后调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-implement\n工作目录: {$W绝对路径}\n上下文:\n- 计划包含 {N} 个组件: {list}\n- 数据集: {dataset}\n- 框架: PyTorch\n请实现代码到 project/，运行 2 epoch 验证，写入 ml_res.md。"`
+- task: `"/research-implement\n上下文:\n- 计划包含 {N} 个组件: {list}\n- 数据集: {dataset}\n- 框架: PyTorch\n请实现代码到 project/，运行 2 epoch 验证，写入 ml_res.md。"`
 - label: `"Research Implement"`
 - runTimeoutSeconds: `1800`
 
 **验证:**
-- `$W/project/run.py` 存在
-- `$W/ml_res.md` 包含 `[RESULT]` 行
+- `project/run.py` 存在
+- `ml_res.md` 包含 `[RESULT]` 行
 - loss 值非 NaN/Inf
 
 ---
 
 ### Phase 5: Review
 
-**检查:** `$W/iterations/` 下最新 `judge_v*.md` 的 verdict 是否为 PASS？
+**检查:** `iterations/` 下最新 `judge_v*.md` 的 verdict 是否为 PASS？
 
 **如果没有 PASS，调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-review\n工作目录: {$W绝对路径}\n上下文:\n- ml_res.md 显示 train_loss={value}\n- 计划在 plan_res.md\n请审查代码，如需修改则迭代修复（最多 3 轮）。"`
+- task: `"/research-review\n上下文:\n- ml_res.md 显示 train_loss={value}\n- 计划在 plan_res.md\n请审查代码，如需修改则迭代修复（最多 3 轮）。"`
 - label: `"Research Review"`
 - runTimeoutSeconds: `1800`
 
@@ -184,14 +176,14 @@ task 必须以 `/skill-name` 开头（触发 slash command 解析），后续行
 
 ### Phase 6: Full Experiment
 
-**检查:** `$W/experiment_res.md` 存在？
+**检查:** `experiment_res.md` 存在？
 
 **如果缺失，调用 sessions_spawn 工具（然后停止，等待完成通知）：**
-- task: `"/research-experiment\n工作目录: {$W绝对路径}\n上下文:\n- Review PASS，代码已验证\n- plan_res.md 中指定 full epochs\n请执行完整训练 + 消融实验，写入 experiment_res.md。"`
+- task: `"/research-experiment\n上下文:\n- Review PASS，代码已验证\n- plan_res.md 中指定 full epochs\n请执行完整训练 + 消融实验，写入 experiment_res.md。"`
 - label: `"Research Experiment"`
 - runTimeoutSeconds: `1800`
 
-**验证:** `$W/experiment_res.md` 包含 `[RESULT]` 行和消融表格
+**验证:** `experiment_res.md` 包含 `[RESULT]` 行和消融表格
 
 ---
 
@@ -202,9 +194,9 @@ task 必须以 `/skill-name` 开头（触发 slash command 解析），后续行
 ```
 研究流程完成！
 - 论文: {N} 篇分析
-- 代码: $W/project/
-- 结果: $W/experiment_res.md
-- 审查: $W/iterations/ ({N} 轮)
+- 代码: project/
+- 结果: experiment_res.md
+- 审查: iterations/ ({N} 轮)
 ```
 
 ---

package/skills/research-plan/SKILL.md

@@ -14,17 +14,14 @@ metadata:
 
 **Don't ask permission. Just do it.**
 
-**Workspace:** `$W` = working directory provided in task parameter.
 
 ## Prerequisites
 
 | File | Source |
 |------|--------|
-| `$W/task.json` | /research-pipeline or user |
-| `$W/survey_res.md` | /research-survey |
-| `$W/notes/paper_*.md` | /research-survey |
-| `$W/repos/` | /research-collect Phase 3 |
-| `$W/prepare_res.md` | /research-collect Phase 3 |
+| `SOUL.md` | 研究方向和目标 |
+| `survey_res.md` | /research-survey |
+| `knowledge/paper_*.md` | /research-survey |
 
 **If `survey_res.md` is missing, STOP:** "需要先运行 /research-survey 完成深度分析"
 
@@ -32,7 +29,7 @@ metadata:
 
 | File | Content |
 |------|---------|
-| `$W/plan_res.md` | 四部分实现计划 |
+| `plan_res.md` | 四部分实现计划 |
 
 ---
 
@@ -41,9 +38,8 @@ metadata:
 ### Step 1: 读取上下文
 
 读取以下文件，理解研究目标和技术方案：
-- `$W/task.json` — 研究目标
-- `$W/survey_res.md` — 技术路线建议、核心公式、**公式→代码映射表**、参考代码架构摘要
-- `$W/prepare_res.md` — 参考仓库列表及关键文件说明
+- `SOUL.md` — 研究方向和目标
+- `survey_res.md` — 技术路线建议、核心公式、方法对比
 
 ### Step 2: 参考代码深度分析
 
@@ -59,7 +55,7 @@ metadata:
 
 ### Step 3: 制定四部分计划
 
-写入 `$W/plan_res.md`：
+写入 `plan_res.md`：
 
 ```markdown
 # Implementation Plan

package/skills/research-review/SKILL.md

@@ -15,16 +15,15 @@ metadata:
 
 **Don't ask permission. Just do it.**
 
-**Workspace:** `$W` = working directory provided in task parameter.
 
 ## Prerequisites
 
 | File | Source |
 |------|--------|
-| `$W/ml_res.md` | /research-implement |
-| `$W/project/` | /research-implement |
-| `$W/plan_res.md` | /research-plan |
-| `$W/survey_res.md` | /research-survey |
+| `ml_res.md` | /research-implement |
+| `project/` | /research-implement |
+| `plan_res.md` | /research-plan |
+| `survey_res.md` | /research-survey |
 
 **If `ml_res.md` is missing, STOP:** "需要先运行 /research-implement 完成代码实现"
 
@@ -32,7 +31,7 @@ metadata:
 
 | File | Content |
 |------|---------|
-| `$W/iterations/judge_v{N}.md` | 每轮审查报告 |
+| `iterations/judge_v{N}.md` | 每轮审查报告 |
 
 最终报告中 `verdict: PASS` 表示审查通过。
 
@@ -43,16 +42,16 @@ metadata:
 ### Step 1: 审查代码
 
 读取以下内容：
-- `$W/plan_res.md` — 每个组件的预期
-- `$W/survey_res.md` — 核心公式
-- `$W/project/` — 实际代码
-- `$W/ml_res.md` — 执行结果
+- `plan_res.md` — 每个组件的预期
+- `survey_res.md` — 核心公式
+- `project/` — 实际代码
+- `ml_res.md` — 执行结果
 
 ### Step 2: 提取原子性概念清单
 
 **⚠️ 这是 Novix Judge Agent 的核心机制 — 逐一核对每个原子性学术概念。**
 
-从 `$W/survey_res.md` 的"关键公式汇总"和"核心方法对比"中，提取所有需要在代码中实现的**原子性学术概念**（每个公式、每个核心组件都是一个概念）。
+从 `survey_res.md` 的"关键公式汇总"和"核心方法对比"中，提取所有需要在代码中实现的**原子性学术概念**（每个公式、每个核心组件都是一个概念）。
 
 为每个概念记录：
 - 概念名称（如 "Multi-Head Attention", "Contrastive Loss", "Batch Normalization"）
@@ -123,7 +122,7 @@ metadata:
 
 ### Step 4: 写入审查报告
 
-写入 `$W/iterations/judge_v1.md`：
+写入 `iterations/judge_v1.md`：
 
 ```markdown
 # Review v1
@@ -201,14 +200,14 @@ metadata:
 循环最多 3 次：
 
 1. 读取 `judge_v{N}.md` 的修改建议
-2. **防偏移检查：重新读取** `$W/survey_res.md` 和 `$W/plan_res.md`
+2. **防偏移检查：重新读取** `survey_res.md` 和 `plan_res.md`
    - 对照原始学术设计目标
    - 确保修改不是为了"绕过审查"而偏离学术严谨性
    - 确认修改符合 survey 中的公式定义和 plan 中的设计意图
-3. 修改 `$W/project/` 中的代码（修复 bug、补全缺失实现）
+3. 修改 `project/` 中的代码（修复 bug、补全缺失实现）
 4. 重新执行：
    ```bash
-   cd $W/project && source .venv/bin/activate && python3 run.py --epochs 2
+   cd project && source .venv/bin/activate && python3 run.py --epochs 2
    ```
 5. 读取执行输出，验证修复
 6. **重新执行 Step 2-4**（提取概念清单 → 逐项检查 → 写报告），写入 `judge_v{N+1}.md`
@@ -225,10 +224,10 @@ metadata:
 #### 5b.1 性能诊断
 
 重新读取以下材料进行诊断：
-- `$W/ml_res.md` — 2 epoch 验证的具体数值
-- `$W/survey_res.md` — baseline 方法的超参数设置（特别是学习率、batch size）
-- `$W/plan_res.md` — 当前实现的超参数配置
-- `$W/project/run.py` 和 `$W/project/training/` — 训练配置代码
+- `ml_res.md` — 2 epoch 验证的具体数值
+- `survey_res.md` — baseline 方法的超参数设置（特别是学习率、batch size）
+- `plan_res.md` — 当前实现的超参数配置
+- `project/run.py` 和 `project/training/` — 训练配置代码
 
 **诊断检查清单**：
 
@@ -255,11 +254,11 @@ metadata:
 1. **调整学习率**（优先级：高，预期改善：显著）
    - **当前值**: lr=1e-5 (from plan_res.md)
    - **建议值**: lr=1e-3 (from survey_res.md Table 2, all baselines use 1e-3)
-   - **修改位置**: `$W/project/run.py:L15` — `optimizer = Adam(lr=1e-3)`
+   - **修改位置**: `project/run.py:L15` — `optimizer = Adam(lr=1e-3)`
    - **理由**: Loss 下降仅 0.9%，远低于正常 10%+，高度怀疑 lr 过小
 
 2. **添加数据归一化**（优先级：中，预期改善：中等）
-   - **检查**: `$W/project/data/dataset.py` 是否有归一化
+   - **检查**: `project/data/dataset.py` 是否有归一化
    - **建议**: 添加 `transforms.Normalize(mean=[0.5], std=[0.5])`
    - **理由**: 如果输入数据范围 [0,255]，模型收敛会很慢
 ```
@@ -269,7 +268,7 @@ metadata:
 1. 根据建议**逐项尝试**（从优先级高的开始）
 2. 每次修改后：
    ```bash
-   cd $W/project && source .venv/bin/activate && python3 run.py --epochs 2
+   cd project && source .venv/bin/activate && python3 run.py --epochs 2
    ```
 3. 读取新的执行输出，对比改进前后：
    - Loss reduction 是否提升？（如 0.9% → 12%）