paper-repro

paper-repro — 论文「总结 + 最小复现」

把一篇论文变成：一页可读总结 + 一个能在本机跑通的最小复现 + 完整复现成本估算。 编排 /paper-html-onepage（读懂）+ 本 skill 的复现脚本（跑通）。

⚠️ 安全约束（自动运行模式必备，优先于一切）

• 只跑最小规模：限定步数/epoch（默认 ≤ 几百步）、限定时长（默认 ≤ 几分钟）。
• 隔离运行：所有复现代码、数据、日志放进单独子目录，不污染其他项目。
• 禁止 sudo / 管理员权限，禁止改系统环境变量、禁止写用户主目录之外。
• 网络三思：允许浅克隆（git clone --depth 1）和小数据下载；超过 ~200MB 的下载、需登录/付费的数据集、需 Kaggle/HF token 的资源，先问用户，不要自动拉取。
• 不确定就不跑：如果生成的代码看不清在干嘛、或需重型依赖（CUDA 专版、编译、root），只产出方案+脚本，不自动执行，把决定权交给用户。

输入解析（Stage 0）

接受四种输入，统一抽出 arXiv ID + 标题 + 输出目录：

• arXiv URL：https://arxiv.org/abs/1706.03762 或 /pdf/... → 抽 ID
• arXiv ID：1706.03762
• 关键词/标题：如 Attention Is All You Need
• 本地 PDF：--pdf <path>（复现阶段需要标题，从文件名/首页推断）

输出目录默认 <用户当前工作目录>/<论文短名>_repro/。

6 阶段编排流程

本 skill 是 agent 驱动 的：脚本（scripts/）只做查找/分析/解析等机械活， 论文级的代码改写由你（agent）按方法论完成——因为每篇论文不同，无法写成单一固定脚本。 这与 /web-search-fallback「指令 + 可复用片段」的设计哲学一致。

Stage A — 读懂论文（委派 /paper-html-onepage，不改它）

python "<SKILL_ROOT>\paper-html-onepage\scripts\paper_to_onepage_html.py" \
  --url "<arxiv_url>" --out "<outdir>/<name>_summary.html"

（关键词搜用 --query；本地 PDF 用 --pdf。）得到 <name>_summary.html。

Stage B — 找代码（scripts/find_repo.py）

python "<SKILL_ROOT>\scripts\find_repo.py" "1706.03762" --top 6
# 加 --json 拿结构化结果

arXiv ID → 自动取标题 → GitHub 按标题搜（比搜裸 ID 召回高）。多个候选时让用户确认用哪个。 （PapersWithCode 公开 API 已废弃返回 HTML，故不用；GitHub+arXiv 已覆盖常见情况。）

Stage C — 分析完整复现要求（scripts/analyze_repo.py）

python "<SKILL_ROOT>\scripts\analyze_repo.py" "<repo_url>" --json > analyze_report.json

免克隆（走 GitHub tree API + raw）读 README/依赖/训练入口/配置，grep 资源信号（n_gpu、deepspeed、 batch_size、epochs、数据集路径），产出 JSON 可行性报告：入口、依赖、GPU 需求、阻断项、建议的最小化覆盖项。

Stage D — 制定最小复现方案（agent 推理）

综合 analyze_report + 本机硬件（CPU/单卡）制定降维裁剪方案。常见手段：

• 换小模型：d_model/layer/head 全砍（如 512→64、6→2、8→2）
• 砍步数：几百 epoch → 几百步
• 关多卡：num_processes=1、关 DeepSpeed/accelerate、必要时上 LoRA 省 VRAM
• 去重型数据依赖：WMT/私有数据集 → 合成任务（序列复制/反转/排序），0 下载
• 明确要验证的核心论点：不追求复现原始 SOTA 数字，只验证论文核心主张是否成立