用途：为医学影像任务快速生成一个可运行、可复现且防数据泄漏的 PyTorch 训练仓库。支持 --task segmentation（U-Net）、classification（CNN / timm 主干）、detection（torchvision Faster R-CNN / FPN）、synthesis（Pix2Pix + PatchGAN）、ssl（SimCLR 编码器）与 finetune（预训练主干迁移学习，含冻结→解冻计划与预训练来源记录）。集成 MONAI / nnU-Net / TorchIO，不重新实现它们。
主要能力：按患者级确定性分组划分数据并锁定随机种子；生成 config.yaml、model.py、dataset.py、losses.py、train.py、evaluate.py、requirements.txt、REPRODUCIBILITY.md、methods_stub.md 及 splits/split_assignment.csv 与 splits/split_seed.txt；生成代码对全部随机源播种、设置 cuDNN 确定性、仅用训练集构建加载器、在 model.eval() + torch.no_grad() 下推理。
使用方式：准备每行一张图并含患者/受试者 ID 列的 CSV 清单，然后运行： python3 ${CLAUDE_SKILL_DIR}/scripts/scaffold.py --manifest <manifest.csv> --task segmentation --out model_repo --seed 42 --in-channels 1 --out-channels 1 微调示例：--task finetune --out-channels <num_classes> --from-pretrained timm:resnet50.a1_in1k。可用 --preprocessing-manifest 复用既有划分。验证：python3 ${CLAUDE_SKILL_DIR}/scripts/check_training_hygiene.py --repo model_repo --strict，并将 splits/split_assignment.csv 交给 /model-assessment 做泄漏证明。随后实现 dataset.py 的 _load_image / _load_label，运行 python train.py 与 python evaluate.py。
限制：生成仓库只是起点，未训练、不产生结果；禁止编造指标，方法与数值需来自实际运行。门禁仅证明无网络部分属性，不执行 torch，前沿验证为本地自跳过环节，不计入 CI。check_training_hygiene.py 存在已知覆盖限制（作用域、语句顺序、装饰器等）。需要选择架构请用 /model-selection，已训练模型审计用 /model-assessment，LLM 评估用 /mllm-eval。定价与平台支持暂未提供。