用途：当任务要求复现某篇研究论文的结果时使用，帮助按方法化流程重现实验并记录差异。
主要能力与流程： 一、论文审计：写代码前提取论文及附录中的全部超参数，记录含糊或缺失的细节，检查是否有官方代码库（GitHub、项目主页、补充材料），确定数据集划分、预处理步骤与评估协议，将发现写入 replication-notes.md。 二、环境搭建：用 pip freeze 或 conda env export 记录精确包版本；尽量使用论文所用框架；为所有实验设置固定随机种子并记录；用 virtualenv、conda 或容器隔离环境。 三、最小复现：从最小实验开始，用能跑通完整流程的最小数据子集，先确认训练循环无误再全量训练，并将中间输出（损失曲线、梯度范数）与论文图表核对。 四、完整复现：按论文报告设置运行主实验，用结构化日志记录结果（seed、config、metric、timestamp），至少跑 3 个种子并报告 mean ± std。 五、差距分析：对比指标（Metric/Paper/Reproduced/Δ），并将差距分类为 Reproduced（噪声内，相对差 < 0.5%）、Close（可由已知含糊处解释）、Discrepancy（明显差距，记录可能原因）、Failed（不匹配，标记待调查）。 六、文档记录：产出 REPLICATION.md，包含论文引用、环境细节、与论文的偏差及理由、结果表、结论（成功/部分/失败复现）。
原则：绝不修改评估代码去迎合论文数值——改模型而非指标；记录每个遇到的含糊点及解决方式；复现失败也是有价值的研究结果。
限制：资料未提供具体工具依赖、安装命令、支持语言或平台要求。