用途：衔接工作流1（想法发现与方法细化）与工作流2（自动评审循环），把实验计划转为可运行实验并产出初始结果。
主要能力：解析 refine-logs/EXPERIMENT_PLAN.md 等输入，提取运行顺序、里程碑（sanity→baseline→main→ablation）、指标与预算；复用项目代码实现训练、评估、数据加载脚本；可选调用 GPT-6-Astra xhigh 做代码审查；先跑 sanity 实验验证环境；按里程碑并行部署，大批量任务走 /experiment-queue；收集结果、更新 EXPERIMENT_TRACKER.md 并生成结果摘要。
使用方式：命令形式为 /experiment-bridge "EXPERIMENT_PLAN.md"，可加参数覆盖常量，如 compact: true、base repo: https://github.com/org/project。可选常量包括 CODE_REVIEW、AUTO_DEPLOY、SANITY_FIRST、MAX_PARALLEL_RUNS、BASE_REPO、COMPACT。设置 BASE_REPO 时先执行 git clone <BASE_REPO> base_repo/ 再在其上实现。部署小批量用 /run-experiment，大批量或含阶段依赖用 /experiment-queue。
适用场景：机器学习实验从计划到初步结果的自动化落地，尤其是需代码审查、GPU 调度与可复现记录的科研流程。
限制：关键约束是评估必须使用数据集真实标签，绝不能用其他模型输出作为真值；不得虚构计划外实验；sanity 未通过前不部署全套；结果需存为 JSON/CSV。若计划文件缺失则询问用户；若 Codex MCP 不可用则静默跳过审查。审查有范围限制，不提议哈希绑定、投机机制或极端边界处理。sanity 失败预算为 2 次补丁加 2 次重写。价格与收费暂未提供。