用途：为科研软件与可复现计算提供一套最佳实践，帮助研究者组织项目、固定环境、管理数据并编写可测试的科学代码。
主要能力：给出推荐的项目目录结构（README、LICENSE、requirements.txt 或 environment.yml、data/raw、data/processed、src、notebooks、results、tests、docs）；可复现清单，包括用 pip freeze > requirements.txt 或 conda env export > environment.yml 固定依赖、设置并记录随机种子（如 SEED = 42）、用 DVC 或 git-lfs 做数据版本化（dvc init、dvc add）、将配置与代码分离（config.yaml）、记录实验日志；并行计算示例，CPU 密集型用 multiprocessing 或 ProcessPoolExecutor，I/O 密集型用 ThreadPoolExecutor；性能优化，含 cProfile、line_profiler、memory_profiler 与 NumPy 向量化；数据管理遵循 FAIR 原则，并对比 CSV、Parquet、HDF5、NetCDF、FITS、Feather 等格式；科学代码测试示例，验证守恒律、已知解析解与对称性。
使用方式：按资料中的目录与清单组织项目，运行给出的命令与代码片段即可落地。
适用场景：科研软件开发、计算实验、数据分析与论文配套代码。
限制：资料未提供具体安装步骤、收费方式、平台支持或效果数据，暂未提供。