用途：该技能面向机器学习研究流程，把选定想法中缺失的代码仓库补齐，并系统梳理代码库，将学术概念对应到真实实现，供下游实验开发使用。
主要能力：Phase A 分析 selected_idea，找出 2–3 个可能不在现有仓库中的缺失技术组件，用“Cascade”策略做三级递进检索（具体机制名、核心技法、基础数学算子），克隆并验证候选仓库，生成 acquired_code_repos，并把新仓库合并进 prepare_res 的 reference_codebases 与 reference_paths。Phase B 遍历 Experiment/code_references/ 下所有仓库，为想法中每个原子学术概念定位实现，输出包含学术定义、数学公式、真实代码片段、文件路径、函数签名、参考论文与参考代码库的完整实现报告 model_survey。
使用方式：输入包括 selected_idea、download_res、prepare_res、context_variables 与 instance.json。检索可用 python scripts/github_search_clone.py --query "..." --limit 5 --date-limit YYYY-MM-DD，或直接调用 GitHub API；克隆用 GIT_TERMINAL_PROMPT=0 git clone --depth 1 <clone_url> Experiment/code_references/<repo_name>；浏览代码用 ls、tree、find、cat、sed -n、rg/grep。结果写入 Experiment/code_references/logs/repo_acquisition_agent.json 与 code_survey_agent.json，model_survey 须保存完整报告文本而非摘要。
适用场景：需要为研究想法补齐参考实现、并建立“论文概念—代码实现”对照的机器学习项目。
限制：依赖 GitHub 访问、git 与 Python 运行环境；若运行时、CLI、凭据或 API 不可用，需说明阻塞并采用手动回退；生成产物不得写回技能目录，应保存在项目工作区；相对路径先按技能目录解析。具体收费、平台支持与效果资料暂未提供。