用途：在设计 ML/AI 实验、评估协议或研究基准时，提供一套先于写代码的检查流程，帮助产出可信、可复现的结果。
主要能力：按八个部分逐项推演。1）假设：要求写成可证伪声明，格式为“We claim that [method X] achieves [metric Y] on [dataset Z] because [mechanism]”，假设模糊时先帮助用户收窄。2）自变量与因变量：明确改变什么（如架构、损失函数、数据增强）、测量什么（如准确率、FID、wall-clock 时间），并列出全部受控变量。3）基线：分三层选择——朴素（如多数类、均值预测）、标准（最常用现有方法）、强基线（所选基准上的当前最优），要求说明理由，避免稻草人基线。4）数据集与划分：注明名称、版本、来源，指定训练/验证/测试划分，优先用标准划分，标注数据泄漏风险与数据集局限（偏差、领域覆盖、规模）。5）指标：选择与任务目标一致的指标，优先语义明确的既有指标，必要时报告多个指标，并说明统计显著性（N 个随机种子下的均值 ± 标准差）。6）算力预算：说明硬件、预计运行时间和种子数。7）消融：每次只移除或替换一个组件，以隔离各自贡献。8）失败模式：至少给出两种可能产生误导结果的方式及检测或缓解方法。
使用方式：按上述检查清单逐节推演，输出为已填写各部分的 Markdown 实验计划文档，并标出需要用户先做决策的部分。
限制：官方资料未提供具体平台、收费或安装命令等信息。