用途
ablation-planner 用于在机器学习研究项目中系统性地设计消融实验，目标是回答论文审稿人必然会提出的问题。它的典型触发条件包括：主结果已通过 /result-to-claim 检验且 claim_supported = yes 或 partial；用户明确要求进行消融规划；或在 /auto-review-loop 中审查者指出缺少消融实验。
主要能力
该技能采用分工模式：Codex 以严格的 ML 审稿人视角主导消融设计，Claude Code（CC）负责评估可行性与实现。设计覆盖四类消融：组件消融（隔离每个新颖组件的贡献）、审稿人问题消融、关键超参数敏感性测试，以及针对自然替代设计选择的比较。输出内容结构化，包含每项消融的名称、what_it_tests、expected_if_component_matters、优先级（1 必须运行到 5 可选），并提供 coverage_assessment、unnecessary_ablations、suggested_order 和 estimated_compute（总 GPU 小时估算）。
使用方式
工作流分为五步。第一步，CC 读取项目文件收集上下文，包括方法描述与组件（来自 docs/research_contract.md 或项目 CLAUDE.md）、当前实验结果（来自 EXPERIMENT_LOG.md、EXPERIMENT_TRACKER.md 或 W&B）、已确认与预期声明（来自 result-to-claim 输出或项目笔记）、以及可用算力资源（来自 CLAUDE.md 服务器配置）。第二步，调用 mcp__codex__codex，配置 config 为 {"model_reasoning_effort": "xhigh"}，并按文档中的 prompt 模板传入方法、组件、当前结果与声明。第三步，将 Codex 响应规范化为结构化消融计划表格，分为组件消融（最高优先级）、超参数敏感性、设计选择比较，并附覆盖度评估等。第四步，CC 在运行前检查算力预算、区分需改代码与仅改配置的消融、识别可并行项，预算紧张时提出裁剪并请 Codex 确认。第五步，为每项消融创建配置/脚本（先做仅配置改动），全量运行前做冒烟测试，按建议顺序以描述性名称（如 ablation-no-module-X）运行，并在 EXPERIMENT_LOG.md 中追踪结果，全部完成后更新 findings.md。
适用场景
适用于论文投稿前需要系统性补足消融实验的 ML 研究项目，尤其是主结果已基本验证、需要以审稿人视角补齐证据链的阶段。
限制与规则
Codex 主导设计，CC 不得在 Codex 看到列表前预筛选或引入偏差；每项消融必须有明确的 what_it_tests 与 expected_if_component_matters，不接受“先试试看”类实验；仅配置改动的消融优先于需改代码的消融；算力超预算时须提出裁剪并请 Codex 重新排序，不得静默丢弃；组件消融优先于超参数扫描；不得为与基线相同的组件生成 no-op 消融；所有结果（包括负结果，如移除组件无影响）均需记录在 EXPERIMENT_LOG.md。