经典案例拆解：如何把 ResNet 论文编译成结构化 ARA 研究工件（Agent-Native Research Artifact 实战）

【免费下载链接】Agent-Native-Research-ArtifactResearch Artifact Protocol for Rigorous and Trustworthy AI Scientists项目地址https://gitcode.com/gh_mirrors/ag/Agent-Native-Research-Artifact点击查看免费下载Agent-Native Research Artifact简称ARA是一个让 AI 科研结构化、可验证、可追溯的工具包它的compiler 技能能把一篇 PDF 论文、一个代码仓库或一堆实验日志编译成一个 AI Agent 可以直接读取和消费的研究工件。本文以仓库内置的 ResNet 经典案例 examples/resnet-ara-example/ 为例完整拆解一次论文 → ARA 研究工件的编译过程。一、为什么 PDF 论文不够用AI Agent 的 5 个信息盲区传统论文是写给人类读者看的它只保留最终故事而 AI Agent 做科研真正需要的东西恰恰藏在故事之外——论文里消失的信息Agent 因此付出的代价决策历史为什么换方案重复已否决的路线配置理由为什么这个超参盲目试参甚至抄错失败实验死路把死胡同再走一遍代码绑定结果对应哪段代码无法核验结论完整探索轨迹只能逆向工程几千行终端输出这就是 ARA 想解决的监督鸿沟AI Agent 跑实验跑得飞快但产出不可观测——过期的代码、散落的日志、没人记录的死路。左侧是传统 PDF 论文的形态右侧是 ARA 的对应物红叉标记的正是论文丢弃的信息二、ARA 研究工件的四层结构1 个入口 4 个目录打开任意一个 ARA 工件ResNet 案例也是同一套骨架你会看到这样的目录四个层各司其职PAPER.md— 根清单 层索引约 200 token。Agent 先读它判断这个工件与我的任务是否相关再按需深入——这叫渐进式披露。logic/认知层What Why— 问题定义 logic/problem.md、可证伪的 claims logic/claims.md、概念定义、实验计划以及solution/下的架构、算法、约束、经验法则。src/物理层How— 真正可执行的实现锚点代码、配置、训练配方以及 src/environment.md 记录的环境与复现信息。trace/探索图Journey— 研究轨迹 DAG记录问题 → 实验 → 决策 →死路的全过程。evidence/证据层Proof— 论文的每张表、每张图都被逐一转录为Markdown 截图两份文件原值精确保存。层与层之间不是孤岛而是用跨层绑定串成一张可追溯的网claim 用proof指向实验实验用code_ref指向代码代码用trace指向探索节点探索节点用evidence指向结果文件——任何一条结论都能一路追到原始数据注意图中被打红叉的Dead-end 节点失败路径是一等公民而不是被丢弃的噪音。三、compiler 编译流程4 个阶段 最多 3 轮校验compiler 不是一个独立命令行程序而是一份给 Agent 的技能规范完整定义在 skills/compiler/SKILL.md。它接受任何含研究知识的输入PDF、代码仓库、rubric、实验轨迹然后执行语义解构剥掉叙事包装提取知识原子——公式、配置、所有精确数字、负结果、实现技巧并逐张看图不只是读图注为每张表/图建立证据台账。认知映射把原子映射进logic/——观察与 gap 进problem.md可证伪断言进claims.md验证计划进experiments.md只写方向性预期不写精确数字。物理落地论文中真实存在的代码转录进src/并打上# Grounding:来源标注绝不凭空发明函数体或超参。探索图重建恢复研究 DAG每个节点必须声明support_level: explicit有原文出处或inferred推断重建。生成后进入Seal L1 自动校验强制文件是否齐全、claim 是否都有 proof、跨层引用是否全部可解析、数字是否与原文逐字一致……不通过就定点修补再验通常 2–3 轮收敛四、ResNet 逻辑层拆解5 条观察 → 8 条可证伪 claimsResNetHe et al. 2015是这个案例的输入examples/resnet-paper.pdf。编译后论文的degradation 之谜被转写成 logic/problem.md 中的结构化条目——每条观察都带数字和出处O156 层 plain CNN 在 CIFAR-10 上的训练、测试误差都高于20 层版本Fig. 1O2同样现象出现在 ImageNet——plain-34 的 top-1 误差 28.54%比 plain-18 的 27.94% 还差Table 2O3排除梯度消失假设BN 使前向信号方差正常34 层 plain 用 10-crop 仍能到 24.19%由此推出Key Insight把每块改写为拟合残差映射 F(x) : H(x) − x用无参数恒等 shortcut 加回 x。随后claims.md给出 8 条可证伪声明 C01–C08每条都是完整证据链单元## C02: Residual learning eliminates the degradation problem - **Statement**: 用残差块替换同深度的 plain 层对后 更深版本训练/验证误差均更低 - **Status**: supported - **Falsification criteria**: 相同深度与训练管线下 ResNet-34 无法在 ImageNet 上超过 ResNet-18 … - **Proof**: [E01, E02] - **Evidence basis**: Table 2ResNet-34 25.03 比 plain-34 低 3.51 个百分点而实验层 logic/experiments.md 只写方向性预期ResNet-34 的曲线应全程低于 ResNet-18精确数字一律留在证据层——这正是 ARA 区分计划与事实的关键纪律。五、探索图保留 14 个节点包括 2 条死路trace/exploration_tree.yaml 用 14 个节点重走了 ResNet 论文的推理路径中心问题 → 深度扫描实验 → 残差改写 insight → 恒等 shortcut 决策 → bottleneck 架构 → COCO 检测迁移。其中最有价值的节点是这些死路节点类型内容为什么失败N04dead_end梯度消失假设BN 使信号不消失plain-34 仍在收敛只是慢N05dead_endinferred把 plain 网多训 3× 迭代论文脚注延长训练仍未消除 degradationN10dead_end单层残差函数 F原文未观察到优势F 至少需 2 个带权层每个节点都声明support_level与source_refs如[Table 2, Fig. 4 left]——论文没写的轨迹只标inferred绝不虚构。对下游 Agent 来说这些死路意味着不必把 N04、N05 的坑再踩一遍。六、证据与物理层8 张表 4 张图逐格落盘论文的每一张编号表都单独成文件保留原始表格与出处例如 table2_imagenet_plain_vs_residual.mdplainResNet18 layers27.9427.8834 layers28.5425.038 张表 4 张图的完整索引见 evidence/README.md——每个文件都标注了它支撑的 claim 编号形成证据 ↔ 结论的双向链接。物理层则只收录论文中真实存在的实现residual_block.py 从论文公式转录出 basic / bottleneck 块与 A/B/C 三种 shortcut 选项并标注# Grounding来源训练配方见 training_recipe.py具体超参配置见 imagenet_resnet34.yaml。七、一键复现在你的项目里编译一篇论文想对自己的论文做同样的事完整步骤见 examples/resnet-walkthrough.md# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/ag/Agent-Native-Research-Artifact # 2. 安装 7 个 ARA 技能自动识别你的 Agent 环境 npx ara-commons/ara-skills然后在支持的 AgentClaude Code、Cursor、Codex、Gemini CLI 等里直接下编译指令/compiler path/to/your-paper.pdf --output ./ara-output/产物检查顺序建议先读PAPER.md层索引 → 核对claims.md的 proof 链 → 抽查evidence/数字 → 最后看trace/探索图是否保留了该领域的失败路径。注意resnet-ara-example/是一个精心打磨的手工示例用于展示编译完成后的形态而不是某条命令的直接输出。如果你只想看最小骨架可以看精简版 examples/minimal-artifact/Attention Is All You Need 的简化 ARA。八、延伸阅读把案例读透资料路径看点案例导读examples/resnet-walkthrough.md官方推荐阅读顺序层索引入口examples/resnet-ara-example/PAPER.md全部文件与 claim 映射编译规范skills/compiler/SKILL.md16 条关键规则、Seal L1 校验清单字段级 schemaskills/compiler/references/ara-schema.md每个文件的字段格式探索树规范skills/compiler/references/exploration-tree-spec.mdDAG 节点类型与 provenance 标注最小示例examples/minimal-artifact/感受 ARA 的最小骨架一句话总结ARA 把论文讲了一个故事变成Agent 拿到了一张可验证的知识地图——ResNet 案例证明了这条路怎么走观察带数字、claims 可证伪、证据逐格落盘、死路明码保留。赞分享【免费下载链接】Agent-Native-Research-ArtifactResearch Artifact Protocol for Rigorous and Trustworthy AI Scientists项目地址https://gitcode.com/gh_mirrors/ag/Agent-Native-Research-Artifact点击查看免费下载相关推荐如何把ARA用作会议投稿格式Agent-Native-Research-Artifact一键发布研究工件到ARA Hub如何把ARA用作会议投稿格式Agent Native Research Artifact一键发布研究工件到ARA Hub ARAAgent Native RPolars LazyFrame 实战指南从查询计划优化到流式处理海量数据Polars LazyFrame 实战指南从查询计划优化到流式处理海量数据 本指南以 polars lazyframe https://link.gitcod什么是Agent-Native-Research-ArtifactARAAI科学家研究工件工具包完整指南什么是Agent Native Research ArtifactARAAI科学家研究工件工具包完整指南 ARAAgent Native Researc上一篇Step-5-Preview架构深潜600B稀疏MoE如何以27B激活实现极致推理效率下一篇笔记永不离开浏览器learn-from-materials本地笔记、错题记录与pageId隐私设计详解创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考