用途：在开始任何实验前，将研究假设转化为可证伪的预测，并形成一份结构化的实验设计文档，避免“跑了三个月实验却没有意义”的问题。核心原则是能回答：实验支持或反驳什么具体主张、什么能说服怀疑的评审者、哪些问题会使结果失效。
主要步骤：一是精确陈述假设，模板为“若[干预/方法]，则[可测量结果]，因为[机制]”，并明确零假设；二是识别变量，包括自变量（操纵项与水平）、因变量（测量指标与理由）和控制变量（固定值与原因）；三是选择基线，涵盖随机、简单、标准、当前最优及去掉关键组件的自消融基线，并记录来源、超参数、是否重跑等；四是设计消融，逐一移除组件以验证其必要性；五是处理混杂因素，如调参优势、算力优势、数据泄漏、随机种子运气、基线实现错误和样本挑选；六是统计严谨性，包括多种子（至少3个，建议5个以上）、均值±标准差、置信区间、显著性检验，并列出对应检验方法（如t检验、Mann-Whitney U、ANOVA、Kruskal-Wallis、Wilcoxon符号秩检验），避免p-hacking和多重比较问题；七是估算算力预算并做可行性判断，预留1.5至2倍缓冲；八是可选预注册，提前写下假设、主指标、分析计划与成功标准。
输出为实验设计文档，包含假设、变量、基线、消融、混杂缓解、统计计划、算力预算、成功标准、时间线与已知风险。适用场景：需要设计、规划实验或搭建实验设置的机器学习与实证研究。限制：资料未提供具体安装命令、平台支持、收费信息或运行环境要求。