将机器学习论文复现为可运行代码仓库：用规划-分析-编码-调试…

适用于把 ML 研究论文的方法、实验、数据集、超参与评估指标转化为完整可运行代码仓库的复现场景。

适用场景

解决思路

1. 接收 `$0`：论文 PDF 路径、论文文本或论文 URL，作为转换输入。
2. 参考 Paper2Code 的 planning、analysis、coding 阶段提示词：`~/.claude/skills/paper-to-code/references/paper-to-code-prompts.md`。
3. Stage 1 Planning：通过四轮对话生成完整计划。
4. Planning 第 1 轮 Overall Plan：提取方法、实验、数据集、超参数、评估指标。
5. Planning 第 2 轮 Architecture Design：生成文件列表、Mermaid classDiagram、sequenceDiagram。
6. Planning 第 3 轮 Task Breakdown：逐文件做逻辑分析，生成按依赖排序的任务列表和所需包。
7. Planning 第 4 轮 Configuration：把训练细节提取到 `config.yaml`。
8. Stage 2 Analysis：对任务列表中的每个文件，按依赖顺序执行分析。
9. Analysis 时进行详细逻辑分析。
10. Analysis 时将论文方法映射到代码结构。
11. Analysis 时所有设置参考 `config.yaml`。
12. Analysis 时严格遵循 UML class diagram 接口。
13. Stage 3 Coding：对每个文件按依赖顺序生成代码。
14. Coding 时生成代码可访问所有之前生成的文件。
15. Coding 时严格遵循设计中的数据结构和接口。
16. Coding 时参考 `config.yaml`，绝不捏造配置值。
17. Coding 时写完整代码，不留 TODO 或 placeholder。
18. Stage 4 Debugging：如执行失败，进行调试。
19. Debugging 时收集错误信息。
20. Debugging 时使用 SEARCH/REPLACE diff 格式定位根因。
21. Debugging 时应用最小修复，保留原始意图。
22. Debugging 时重新运行直到成功。
23. 按指定结构生成 `reproduced_code/`：`config.yaml`（训练配置）、`main.py`（入口）、`model.py`（模型架构）、`dataset_loader.py`（数据加载）、`trainer.py`（训练循环）、`evaluation.py`（指标与评估）、`reproduce.sh`（运行脚本）、`requirements.txt`（依赖）。
24. Key Constraint 依赖顺序：每个文件生成时都能访问之前生成的所有文件。
25. Key Constraint 接口契约：Mermaid 图作为所有阶段的刚性接口定义。
26. Key Constraint 不捏造：只使用论文明确给出的配置。
27. Key Constraint 完整代码：每个函数都必须完整实现。
28. Rule：严格遵循论文方法，不要发明改进。
29. Rule：按依赖顺序生成代码：数据加载 → 模型 → 训练 → 评估 → main。
30. Rule：所有超参数和设置使用 `config.yaml`。
31. Rule：UML 图中的每个类/方法都必须存在于代码中。
32. Rule：生成 `reproduce.sh` 脚本以支持一键运行。
33. Rule：如果论文细节含糊，明确标注。
34. 需要时与相关技能衔接：上游用 `literature-search`，下游用 `experiment-code`，并参考 `code-debugging`、`algorithm-design`。

适用边界 · 注意事项

• 不适用于只需理解论文、不需要产出可运行代码仓库的场景。
• 不适用于论文未公开任何方法、配置或实验细节，且无法通过附录、作者或官方资料补充，导致无法受约束复现的场景。
• 不适用于已有完整官方代码、只需阅读或做少量微调的场景。