该技能面向研究型代码库，目标是降低复现论文所需的最小复杂度，而非追求最少行数。
用途：当用户想简化、清理或审计过度工程化的代码时使用，尤其适合因改动一个超参数就要修改多个文件的代码库。
主要能力与流程：
- 先诊断不修改：阅读代码并产出复杂度审计，按影响从高到低排序，格式为「模式→代价→建议动作」。此阶段不提出重写，先与用户确认诊断。
- 对每个抽象分类：承重（移除会破坏正确性、可复现性或被3处以上使用，不可动）、装饰性（只增加间接层，可安全删除）、模糊（看起来装饰但可能编码设计决策，须先问用户）。
- 提出扁平化计划：具体、有序、每步可独立回滚，不提出整体重写；按影响而非难易排序，列出前后结构、涉及文件和风险。
常见研究代码反模式：argparse 上再包配置类、仅两三个子类且不共享行为的抽象基类、静态模型的注册表/工厂、单次使用的字典却用 Pydantic/dataclass、一次性脚本的完整日志设施、把 src/ 做成可安装包、实验 YAML 加配置加载器等。
不应触碰：data/raw/、任何影响数值输出的改动、因数学复杂而复杂的代码、用户明确表示有意为之的部分。
输出模式：整个仓库运行完整审计；单文件或粘贴内容则跳过审计，直接分类并给出内联简化建议；「只告诉我哪里有问题」只输出诊断；「修好它」则给出计划并重写相关文件。
停止标准：每个脚本可从头到尾读懂而无需跳转其他文件（除真正被多处使用的工具）；改一个超参数最多触及1个文件；通过 experiments/*.sh 加 train.py 即可复现整个实验。
限制：具体收费、平台支持等信息暂未提供。