企业官网建设流程全解析

如果你试过让 AI 写论文，大概率会发现最难的一步不是初稿，而是实验：结果表格还空着，数字没有出处。spark-to-paper-skills 是一个「一句话进、一篇论文出」的 Claude Code 技能套件，其中的ts-paper-experiment（流水线 Stage 8）专门解决这件事——让 AI 自动诊断论文逻辑、跑通可行的实验，并把真实跑出的数字填进结果表格，全程拒绝编造数据。

🔬 ts-paper-experiment 是什么：流水线里的「实验执行者」

spark-to-paper-skills 由 1 个编排器 + 13 个技能组成。前 7 个阶段负责把一句话点子变成一份完整的初稿论文（main.pdf），而ts-paper-experiment 是紧随其后的第 8 阶段，并且是自动运行的——你不需要单独吩咐它开工。

它的工作可以概括为一句话：诊断 → 规划最小实验集 → 只跑真实可行的实验 → 用实测数字回填论文表格 → 重新编译，并在每一步保证「声明与证据」严格一致。

它的完整规范写在 skills/ts-paper-experiment/SKILL.md，包含 18 个步骤和一套不可协商的「黄金规则」（Golden Rules），从入口检查到最终的叙事完整性评审都有明确约束。

🚀 快速上手：一条命令安装，Stage 8 自动触发

第 1 步：安装到 Claude Code 技能目录

git clone https://gitcode.com/gh_mirrors/sp/spark-to-paper-skills.git ~/.claude/skills/spark-to-paper-skills

第 2 步：把研究提案交给编排器

在 Claude Code 中粘贴你的想法或提案，然后说：

Run ts-paper on this proposal.

编排器会自动路由输入（纯点子 / 提案 / 提案+真实数据），跑完 7 个阶段生成初稿后，Stage 8 接管：它调用 skills/ts-paper/scripts/handoff_to_experiments.py 把初稿（main.tex、sections/、refs.bib、figures/以及你提供的真实data/、code/）打包进一个干净实验工作区experiments/，并植入配置模板：

python skills/ts-paper/scripts/handoff_to_experiments.py --workdir <ts_paper_run>

之后 ts-paper-experiment 从该工作区自动推进：把草稿导入独立的./paper/Git 仓库、诊断、跑实验、填表、改写、重编译，全程无需你追问。

⚙️ 自动跑实验的 8 个核心步骤

SKILL.md 里的 18 步可以归纳成新手需要理解的 8 个关键环节：

其中第 5 步是「防编造」的核心：每个数字都要能追溯到数据集、模型变体、随机种子、指标、源日志路径和聚合脚本，并且要用逐种子原始日志重新计算验证。辅助脚本都是纯标准库实现，零额外依赖：

• scripts/check_result_recomputation.py — 按种子聚合原始日志，复算表格数值
• scripts/check_code_paper_consistency.py — 校验代码是否真的实现了论文描述的方法
• scripts/consistency_check.py — 扫描稿件中的风险措辞（如无统计检验支撑的 "significant"）
• scripts/check_pdf_layout.py — 编译后检查渲染 PDF 版面
• scripts/collect_results.py — 为所有结果文件生成索引

📋 关键配置：paper_config.yaml 里有什么

工作区根目录的 paper_config.yaml 模板决定了实验如何运行，几个新手最关心的字段：

📊 真实效果：跑出来的实验如何变成论文图表

Stage 8 的产出不是孤立的 CSV，而是直接回填进论文表格并重编译。项目 showcase 里的 7 篇端到端论文（docs/showcase/SHOWCASE.md）就展示了这种「实测驱动」的叙事——例如轴承故障诊断一文，用朴素随机划分 vs 记录级/跨负载诚实划分对比，实验直接推翻了「朴素划分下的高准确率」：

PM2.5 预测一文的实验同样「诚实地打了脸」：在消除未来信息泄漏的划分下，主流分解集成方法的领先大幅缩水，而带泄漏的对照组反而最好看——这正是 ts-paper-experiment「忠实于论文自身实验设计、如实报告阴性结果」的体现：

而论文成品页面就是实验结果填充后的最终形态（下表为一篇自动生成论文的首页，结果表格中已是实测数字而非占位符）：

🛡️ 诚实性护栏：为什么它绝不编造实验数据

这是 ts-paper-experiment 与「一键生成论文」工具最本质的区别，几条硬规则值得记住：

• 永不编造：结果、数字、表格、统计显著性一律来自真实运行；跑不动的实验只产出需求报告（EXPERIMENT_REQUIREMENTS.md），而不是假数字
• 两种诚信模式：Proposal 模式下结果格保持空白（--）；Data-aware 模式下每个数字都溯源到你的真实数据（机器审计）
• 空白表格即失败：实验跑完后，论文里已有的结果表格必须填入真实数值（黄金规则 GR-025）；无效/不显著结果也要如实带上标准误和 p 值
• 禁止「模拟数据」话术：稿件中永远不能出现"数据是模拟的/示意性的"表述；Monte Carlo 只能放在工作区里做合理性检查
• 自进化经验库：每次任务结束后，候选经验规则沉淀到 memory/ 目录（lessons_candidate.md→ 人工批准 →lessons_validated.md，变更记录在rule_change_log.md），技能本身会越用越稳

最终交付前，run_gates.py <workdir> all退出码为 0 才算完成：零 LaTeX 错误、每个\cite{}都对应完整文献条目、全文无编造数字。

💡 新手上手建议：3 个常见问题

Q1：我没有真实数据，能让它「跑」出结果吗？不能，也不该。没有真实数据/代码时，Stage 8 会留下 proposal 形态的空白表格并附上需求报告，告诉你还缺什么——这恰恰是它能放心用于投稿流程的原因。

Q2：它会改坏我的核心贡献吗？改主贡献、删核心方法、新增实验类型前，配置里ask_user_before会强制停下来问你；修复结束后还有「叙事完整性终审」，明确判定论文是变强了还是变弱了（SIGNIFICANTLY_IMPROVED/IMPROVED_BUT_WEAKER_CLAIMS/ … 五级标签）。

Q3：实验太贵怎么办？昂贵实验和外部数据下载前必须先出「预运行计划审批」（PRERUN_PLAN_APPROVAL.md）：预估时长、磁盘、成本、数据许可，经你确认后才执行；便宜且本地可跑的则直接进行。

小结：ts-paper-experiment 把「写实验结果」这个最耗时、最容易翻车的环节，变成了一条可审计、可复现、绝不注水的自动化流水线——初稿出稿后它自动接管，实测数字自动回填表格，重编译后的main.pdf里，每个数字都有出处。