用途：在代码调研（code-survey）之后，为 Idea 与 Plan 两条分支生成实现计划、编写项目代码，并通过评审（judge）反馈循环迭代，最终提交实验运行。
主要能力：分三阶段。阶段一创建实现计划，调用 Coding Plan Agent，经 plan_dataset、plan_training、plan_testing 生成结构化计划并合并为 plan_res。阶段二实现与迭代，先由 ML Agent 完成初始实现，再由 Judge Agent 评估；随后在 max_iter_times（默认 2）内循环，构建迭代查询交给 ML Agent 修改，再用简化评审查询评估，若返回 fully_correct 为 true 则提前退出。阶段三提交实验，ML Agent 调整 epochs（3-10）、运行 run_training_testing.py 并保存检查点，输出 submit_res。
使用方式：输入包括 survey_res、references、updated_prepare_res、code_survey_res、dataset_description、core_code、code_references、max_iter_times、context_variables。相对路径先按技能目录解析；core_code 与 code_references 取自 instance.json 的 Experiment 字段，Dr. Claw 创建的项目中为绝对路径。产物写入项目工作区，不写回技能目录。缓存文件保存于 Experiment/core_code/logs/，最终检查点保存为 Experiment/core_code/checkpoints/model_final.pth。
适用场景：研究型机器学习实验的规划、实现、评审迭代与提交，需在代码调研之后使用。
限制：若所需运行时、CLI、凭据或 API 不可用，应说明阻塞并采用手动回退，而非静默跳过；实现不可运行时调用 case_not_resolved。具体依赖与配置细节暂未提供。