文章目录
直接结论。 验证档案保留12周周期、4个生长室和12,000美元预算上限，生成7项机制不同且明确标注为探索性的假设、4项跨学科联系和6项受挑战假设，并依据考虑生长室效应的决策规则优先选择3项思路。该结果在保留的第3次尝试中通过原生执行、真实聊天端到端执行和语义产物验证，只能在本演示的数据、方法和限制范围内解释。
科学原理导论
任务的科学边界
可靠的以机制为中心的科学头脑风暴流程必须把“软件成功运行”与“科学结论成立”严格区分。输入需要可追溯来源，算法需要明确版本，输出需要标注单位；如果数值没有物理单位，也应明确说明它是分数、计数、概率或无量纲量。验证不仅要确认文件存在，还要核对字段含义、数值范围、操作数量和安全状态。只有这样，读者才能判断结果究竟支持什么，而不会把技术成功误解为实验成功、硬件验证或正式审批。
可复现输入为何重要
可复现性从执行之前开始。本示例使用artifacts/attempt-3/research-seed.json，一个合成研究种子，定义聚乙烯微塑料、小麦抗旱性以及明确的周期、生长室与预算约束。小型且可检查的输入能把假设暴露出来，使复现者区分数据错误、依赖错误与算法错误。它被刻意限制在具有代表性的关键路径，并不伪装成覆盖所有实际情形。将原始输入、自然语言请求、执行命令、环境记录和最终产物放在同一档案中，可以避免计算研究中常见的问题：报告仍然存在，但生成报告的参数、版本与数据已经丢失。
方法与结果解释
本次演示采用结构化发散与收敛假设生成，逐项记录机制、可证伪预测、区分性实验、结局、混杂因素、可行性、受挑战假设及明确优先级，运行环境为 Linux x86_64 与 CPU。核心结果是：验证档案保留12周周期、4个生长室和12,000美元预算上限，生成7项机制不同且明确标注为探索性的假设、4项跨学科联系和6项受挑战假设，并依据考虑生长室效应的决策规则优先选择3项思路。这句话同时给出数值、上下文与边界，因为脱离环境的单个数字没有充分意义。方法名称也不能替代完整记录：软件版本、执行模式、是否使用真实设备、是否存在随机采样和是否经过独立校验，都会改变结果可以支持的推论。
分层验证策略
测试设置了三道相互独立的门槛。第一道是原生执行，确认安装的软件确实完成技能所描述的关键功能；第二道是自然语言端到端执行，确认聊天请求能够按照技能说明转化为可运行步骤；第三道是语义验证，检查数值、符号、计数、预期值、状态字段与安全声明。只检查退出码或文件存在会漏掉空文件、无关脚本、看似合理的虚构摘要以及单位错误，因此任何一层失败都不能进入文章发布阶段。
常见失败模式
依赖安装成功不等于功能测试成功。解析器可能选择不兼容版本，脚本可能导入同名错误模块，命令也可能在没有生成完整结果时返回零。解释层面的风险更大：模拟可能被误当作实验，预测分数可能被误当作实测浓度，规划稿可能被误当作获批文件。该流程采取失败关闭原则：必需产物缺失、语义断言失败、聊天执行被阻塞或出现无依据主张时，都保留日志并停止发布。
如何检查产物
检查时应先阅读结果报告，再打开机器可读文件。逐项确认标识符、单位、行数、数值范围与显式状态，并将报告内容追溯到输入，而不是只相信自然语言摘要。若有解析恒等式或官方示例值，应进行独立比较；若结果描述一系列操作，应直接统计底层日志；若产物是文稿，则应把每个数字和重要主张映射回简报或权威来源。这样的审查能够发现格式正确但科学含义错误的产物。
负责任地使用结果
结果是否有用取决于预先声明的决策问题。本演示回答的是：一个定义清楚的小型流程能否执行，并生成内部一致、可审计的产物。它没有回答该领域的全部后续问题。使用者应在运行之前规定什么证据会促使接受、重复、修改或终止流程，从而减少事后解释偏差，避免把一次成功执行提升为超出证据范围的准确性、有效性或合规性主张。
从示例扩展到真实项目
扩大输入不仅增加运行时间，也会引入格式异常、隐藏默认值、数值不稳定、版本敏感行为与审查负担。稳妥的扩展方式是每次只增加一种复杂性，始终保留已知正确的小案例，并将新结果与基准进行比较。重要工作应记录校验和、环境清单和随机种子；当流程涉及随机方法或实验测量时，还应加入重复、误差估计和领域合适的对照，而不能依赖一次成功运行。
质量保证与人工复核
质量保证强度应与后果相匹配。探索性分析可以侧重模式检查和可视化审阅；影响昂贵实验、科研经费、临床决策或实体硬件的工作则需要独立复核和正式控制。自动验证的优势是可重复，但它无法判断最初的科学问题是否合理，也无法替代领域专家对假设、排除条件和终点相关性的判断。最终责任仍属于理解研究背景、数据来源和实际决策的人。
深入理解证据链与适用范围
可靠的以机制为中心的科学头脑风暴流程必须把“软件成功运行”与“科学结论成立”严格区分。输入需要可追溯来源，算法需要明确版本，输出需要标注单位；如果数值没有物理单位，也应明确说明它是分数、计数、概率或无量纲量。验证不仅要确认文件存在，还要核对字段含义、数值范围、操作数量和安全状态。只有这样，读者才能判断结果究竟支持什么，而不会把技术成功误解为实验成功、硬件验证或正式审批。
可复现性从执行之前开始。本示例使用artifacts/attempt-3/research-seed.json，一个合成研究种子，定义聚乙烯微塑料、小麦抗旱性以及明确的周期、生长室与预算约束。小型且可检查的输入能把假设暴露出来，使复现者区分数据错误、依赖错误与算法错误。它被刻意限制在具有代表性的关键路径，并不伪装成覆盖所有实际情形。将原始输入、自然语言请求、执行命令、环境记录和最终产物放在同一档案中，可以避免计算研究中常见的问题：报告仍然存在，但生成报告的参数、版本与数据已经丢失。
本次演示采用结构化发散与收敛假设生成，逐项记录机制、可证伪预测、区分性实验、结局、混杂因素、可行性、受挑战假设及明确优先级，运行环境为 Linux x86_64 与 CPU。核心结果是：验证档案保留12周周期、4个生长室和12,000美元预算上限，生成7项机制不同且明确标注为探索性的假设、4项跨学科联系和6项受挑战假设，并依据考虑生长室效应的决策规则优先选择3项思路。这句话同时给出数值、上下文与边界，因为脱离环境的单个数字没有充分意义。方法名称也不能替代完整记录：软件版本、执行模式、是否使用真实设备、是否存在随机采样和是否经过独立校验，都会改变结果可以支持的推论。
测试设置了三道相互独立的门槛。第一道是原生执行，确认安装的软件确实完成技能所描述的关键功能；第二道是自然语言端到端执行，确认聊天请求能够按照技能说明转化为可运行步骤；第三道是语义验证，检查数值、符号、计数、预期值、状态字段与安全声明。只检查退出码或文件存在会漏掉空文件、无关脚本、看似合理的虚构摘要以及单位错误，因此任何一层失败都不能进入文章发布阶段。
依赖安装成功不等于功能测试成功。解析器可能选择不兼容版本，脚本可能导入同名错误模块，命令也可能在没有生成完整结果时返回零。解释层面的风险更大：模拟可能被误当作实验，预测分数可能被误当作实测浓度，规划稿可能被误当作获批文件。该流程采取失败关闭原则：必需产物缺失、语义断言失败、聊天执行被阻塞或出现无依据主张时，都保留日志并停止发布。
检查时应先阅读结果报告，再打开机器可读文件。逐项确认标识符、单位、行数、数值范围与显式状态，并将报告内容追溯到输入，而不是只相信自然语言摘要。若有解析恒等式或官方示例值，应进行独立比较；若结果描述一系列操作，应直接统计底层日志；若产物是文稿，则应把每个数字和重要主张映射回简报或权威来源。这样的审查能够发现格式正确但科学含义错误的产物。
结果是否有用取决于预先声明的决策问题。本演示回答的是：一个定义清楚的小型流程能否执行，并生成内部一致、可审计的产物。它没有回答该领域的全部后续问题。使用者应在运行之前规定什么证据会促使接受、重复、修改或终止流程，从而减少事后解释偏差，避免把一次成功执行提升为超出证据范围的准确性、有效性或合规性主张。
扩大输入不仅增加运行时间，也会引入格式异常、隐藏默认值、数值不稳定、版本敏感行为与审查负担。稳妥的扩展方式是每次只增加一种复杂性，始终保留已知正确的小案例，并将新结果与基准进行比较。重要工作应记录校验和、环境清单和随机种子；当流程涉及随机方法或实验测量时，还应加入重复、误差估计和领域合适的对照，而不能依赖一次成功运行。
质量保证强度应与后果相匹配。探索性分析可以侧重模式检查和可视化审阅；影响昂贵实验、科研经费、临床决策或实体硬件的工作则需要独立复核和正式控制。自动验证的优势是可重复，但它无法判断最初的科学问题是否合理，也无法替代领域专家对假设、排除条件和终点相关性的判断。最终责任仍属于理解研究背景、数据来源和实际决策的人。
测试进度
| 验证门槛 | 保留状态 | 证据 |
|---|---|---|
| 技能安装 | 通过 | 从打包目录加载技能说明 |
| 相关软件包安装 | 通过 | 保留 Linux x86_64 环境 |
| 原生关键功能 | 通过 | 第3次尝试完成计算 |
| 聊天端到端执行 | 通过 | 自然语言请求生成规定产物 |
| 产物语义验证 | 通过 | 技能专用断言全部满足 |
| 文章发布门槛 | 通过 | 三张具有来源记录的 PNG 可用 |
演示用户请求
Use the installed scientific-brainstorming skill. Explore this research question: "How do polyethylene microplastics alter drought resilience in wheat?" The study is limited to 12 weeks, four growth chambers, and USD 12,000. Create
outputs/research-seed.jsonrepeating those constraints, then createoutputs/brainstorm.jsonwith at least six mechanistically distinct hypotheses spanning soil physics, microbiome, root signaling, contaminant chemistry, and measurement effects. For every hypothesis include mechanism, falsifiable prediction, discriminating experiment, primary outcome, confounders, and a feasibility score. Include cross-disciplinary connections, challenged assumptions, the top three prioritized ideas, and reasons. Do not present ideas as established findings.
这是一条面向科学目标的自然语言请求，而不是要求用户提供程序命令。它说明预期终点与约束，由已安装技能选择透明、可审查的执行路线。
演示数据
保留输入为artifacts/attempt-3/research-seed.json，一个合成研究种子，定义聚乙烯微塑料、小麦抗旱性以及明确的周期、生长室与预算约束。数据规模允许逐项人工检查，不代表总体、生产运行或全面基准。输入与测试档案共同保存，因此复核者能够重建明确的“输入—方法—输出”关系，并判断每一项结果是否确实来自声明的数据。
经过验证的工作流
流程先读取技能契约，再检查或安装规模受限的依赖环境，执行原生关键功能，并通过真实聊天请求重复同一科学意图。所有必需产物在验证前保留，验证器读取科学内容而不是仅确认文件名。测试不卸载环境，使后续故障调查能够检查完全相同的状态，而不必重新下载或猜测当时的依赖。
演示输入 → 经验证的软件环境 → 关键功能执行
→ 结构化产物 → 语义断言 → 结果报告
这种顺序很重要，因为语言模型可能在没有运行正确软件时写出貌似可信的说明。原生证据固定实际计算，聊天证据证明用户式请求能够到达预期路径，语义检查则阻止无关文件、空产物或虚构摘要获得成功状态。
结果与产物
验证档案保留12周周期、4个生长室和12,000美元预算上限，生成7项机制不同且明确标注为探索性的假设、4项跨学科联系和6项受挑战假设，并依据考虑生长室效应的决策规则优先选择3项思路。
该应用截图聚焦经过验证的结果报告，而不是文件列表、原始 JSON 编辑器或提示词输入框。其来源通过截图清单与 SHA-256 摘要绑定到保留报告。
表格图由保留输出字段生成，便于快速视觉核查；机器可读原始产物仍然是权威来源，不能以图片替代后续计算。
产物清单展示真实交付文件与字节数。非空文件只是必要条件，最终科学通过状态仍由技能专用语义验证器决定。
安装与透明复现
验证路线使用技能附带的安装器或受约束运行包装器，没有借用无关系统程序。软件包下载低于本机轻量测试上限，环境保留在受管理的本地前缀中，以便修复失败而不丢弃证据。精确命令位于 case.json 和尝试日志中，可审计路径解析和参数引用。
python test/scientific-skills/run_skill_cycle.py scientific-brainstorming
python test/scientific-skills/skills/scientific-brainstorming/chat_e2e.py
python test/scientific-skills/validate_how_to.py test/scientific-skills/skills/scientific-brainstorming
这些命令用于透明复现，并不要求科研用户自己编程。它们让开发者能够定位依赖、执行或技能提示中的问题，也让第三方复核者知道文章中的数值如何产生。
可复现性
保留尝试编号为 3，验证日期为2026年7月26日。主机为 Linux x86_64，采用 CPU 执行，没有声称 CUDA 验证。主要方法是结构化发散与收敛假设生成，逐项记录机制、可证伪预测、区分性实验、结局、混杂因素、可行性、受挑战假设及明确优先级。截图与可视资产清单记录来源产物、生成器或 Playwright 规范、聚焦定位器、应用路由、时间戳与 SHA-256 摘要。
独立复现时应保存完全相同的输入，比较依赖版本，依次执行原生计算、自然语言案例和语义验证，然后再解释报告。上游版本变化应视为新的验证条件，不能在没有测试的情况下默认等价。若结果影响高成本实验、设备操作或正式申请，还应由独立人员审查。
局限性
输出是假设组合而不是实验结果，不能证明微塑料改善或损害抗旱性；可行性评分是规划判断而不是实测概率。聚合物性质、剂量、土壤、品种、生长室效应、污染与测定有效性均需实验控制
本演示规模较小，无法测量生产规模性能，也不构成法规合规、临床有效性、普遍科学准确性或特定重要用途适用性的证明。外部服务与官方政策会变化，使用时必须重新检查。只要输出会影响实验、支出、硬件或正式提交，就仍然需要具备相应责任与专业知识的人进行复核。
参考文献
- Rillig et al., Microplastic effects on plants
- Lozano et al., Microplastic effects on soil properties and plant performance
- Blum, Plant Breeding for Water-Limited Environments
- OECD guidance on crop testing
无需编程即可尝试此工作流
MindPlot 已内置支持本文演示的科学技能。用户只需用自然语言陈述科学目标，MindPlot 智能体会依据已安装技能编写并运行必要代码、保留交付产物并呈现结果供检查。可以访问 https://mindplot.ai 在线体验，也可以下载桌面版本，以获得更完整的工作体验和更强的本地数据隐私保护。