用途：当用户希望复现、验证学术论文（尤其是带公开GitHub仓库和Python代码的ML/CV/NLP论文）结果时使用。流程为一个编排者加六个子代理，代理间只通过结构化Markdown文件通信，不共享对话上下文。
流水线：步骤0确认论文身份、做语言预检、生成paper slug与输出目录、用WebFetch探测网络；步骤1并行启动PaperReader与ResourceFinder；步骤2校验输出、做论文与仓库交叉验证、在多仓库时按框架匹配、依赖文件、CI徽章、近期提交、原作者优先等顺序选择；步骤2.5识别复现模式（实验模式含main.py/train.py/run.sh/配置；工具模式含setup.py、pyproject.toml、pip install用法）；步骤2.6做前置门禁检查。
六个代理：A PaperReader（输出extracted_methodology.md）、B ResourceFinder（resource_map.md）、C EnvironmentBuilder（setup_report.md）、D SmokeTester（smoke_test_report.md）、E FullRunner（full_run_report.md与outputs）、F ResultComparator（reproduction_report.md）。
语言支持：Python为完整路径，六代理全部启用，含环境构建、冒烟测试、完整运行与数值对比。R、MATLAB、Julia为最小路径，仅识别语言、尽力安装包、冒烟测试并给出诚实反馈，不保证完整数值复现，会写reduced_scope.md。无代码的理论论文写scope_violation.md并停止。
依赖与数据：论文需有公开数据集（如Zenodo、Kaggle、Hugging Face、UCI等）；找不到时在资源图标记并尽力继续。网络不可用时进入降级模式，发现阶段需用户手动提供PDF路径与仓库URL。
使用方式：全部产物写入工作目录下的paper_reproduction_output/<paper_slug>/，包含paper_reading、env_setup、run_outputs、resources等子目录及报告文件；仅在被启动时读取对应references文件，不一次载入全部。限制：非Python语言不做完整数值复现与结果对比，多仓库实现结果可能不同，网络或数据不可用会影响发现阶段。安装命令与URL请以原始资料为准。