用途：把深度学习论文中的数学描述、网络结构与实现细节转化为可运行、可验证、可维护的 PyTorch 代码与配套文档。触发场景包括“帮我复现这篇论文”“实现这个模型”等。
主要能力：分四个阶段执行。Phase 1 论文审计与架构解构，输出问题定义、核心创新、核心公式与 Loss、层数/头数/维度/卷积参数/dropout/激活/归一化等细节，并把论文未说明的实现缺口单独标注。Phase 2 用 Mermaid 展示数据流，覆盖输入输出、Backbone/Encoder/Decoder/Neck/Head/Loss 关键路径及张量形状，含颜色规范。Phase 3 生成 PyTorch 实现：继承 torch.nn.Module、类型提示、关键运算后标注形状、子模块拆分、初始化与随机种子、文件尾部最小可运行验证（前向、shape、参数量、梯度流）。Phase 4 为每个核心模块生成文档，含概述、数学原理、数据流图、实现细节、使用示例与注意事项。
使用方式：按需求选择完整模式（默认四阶段）、快速模式（跳过文档）或代码优先模式（简化解构）。简单模型自动简化。统一张量符号 B/C/H/W/T/D/N/E/K。输出结构按复杂度分为单文件、modules/ 拆分或含 docs/、config.py、requirements.txt 的完整结构。
适用场景：复现论文、实现模型、理解网络架构。
限制：工具栈为 Python 3.10+、PyTorch 2.0+、Mermaid，einops 与 timm 可选；分析与解释用简体中文，代码注释用英文，命名遵循 PEP 8。论文未说明的超参数需显式标注 Paper did not specify 并给出推荐值。具体安装命令与收费信息暂未提供。