English | 中文

# 实际案例：完成一项机器学习实验这个目录保存了 VibeSkills 一次已经通过最终验收的公开案例。任务使用 scikit-learn 自带的 Wisconsin Breast Cancer 数据集，完成数据审计、基线建模、统计复核、结果图、科学报告和组会 Slides。运行编号为 `20260718T041559Z-51996499`。这是一个软件复现案例，不是临床验证，也不用于诊断或患者决策。 ## 案例执行过程需求确认后，这次任务按 `L` 级顺序推进。VibeSkills 从本地配置的 Skill 目录中筛选适合的能力，把工作安排成 9 个模块和 10 个工作单元，再由当前 Agent 按计划完成并记录结果。 | 项目 | 结果 | |:---|:---| | 本地 Skill 范围 | 发布准备时，在本机已配置目录中统计到 100 多个可用 Skills | | 本次实际选择 | 7 个 Skills | | 任务安排 | 9 个模块，按 10 个工作单元顺序完成 | | 执行结果 | 10 个完成，0 个失败，0 个阻塞 | | 模块验收 | 18 项通过 | | 跨产物检查 | 17 / 17 通过 | | 最终验收 | `PASS`，状态为 `fully_ready` | 首页把 9 个模块归成了 5 组，方便快速阅读；原始计划和执行记录仍保留完整的模块与工作单元。 ### Skills 怎样参与 VibeSkills 先从已配置的本地 Skill 目录查找候选，再读取筛选后的候选 `SKILL.md`，核对用途和限制。这个案例最后使用了下面 7 个 Skills。 | Skill | 负责的工作 | |:---|:---| | `exploratory-data-analysis` | 整理公开数据并检查结构、质量、类别分布、重复和泄漏风险 | | `scikit-learn` | 建立固定的对照模型与逻辑回归基线，并检查能否精确复跑 | | `statistical-analysis` | 计算变异性和不确定区间，并写清方法假设 | | `scientific-critical-thinking` | 复核偏倚、泄漏、泛化范围和不能下的结论 | | `scientific-visualization` | 生成 4 张可追溯到源数据的 PNG 图和对应 SVG | | `sciwrite` | 分 5 轮检查科学报告，不改动已经确认的科学内容 | | `presentations` | 制作 7 页 Slides，逐页渲染并检查版面和数据 | 完整选择记录见 [`selected-skills.json`](./evidence/selected-skills.json)。本机 Skill 数量来自同一台主机在案例发布准备阶段保存的 [`skill-inventory-snapshot.json`](./evidence/skill-inventory-snapshot.json)，不是运行时自动写出的计数。 ### 执行与检查 10 个工作单元全部完成，没有失败或阻塞。工作结束后，案例对模块输出、运行与计划绑定、数据和模型、统计结果、图表、报告、Slides 和公开边界做了 17 项一致性检查， 17 项全部通过。 ## 最终交付结果最终交付包含 4 张结果图、科学报告和 7 页组会 Slides。所有材料都来自同一次已经通过验收的执行记录。 | 数据与模型结果 | 交付检查 | |:---:|:---:| | ![类别分布图](./assets/class-balance.png) | ![混淆矩阵](./assets/confusion-matrix.png) | | ![ROC 和精确率召回率曲线](./assets/roc-and-pr-curves.png) | ![交叉验证结果分布](./assets/cv-performance-distribution.png) | 4 张图同时提供了 [SVG 版本](./assets/vector/)。最终文字报告见 [`scientific-report.md`](./outputs/scientific-report.md)。7 页组会 Slides 可以直接查看 [`PPTX`](./outputs/group-meeting-slides.pptx)，下面是逐页渲染后的总览。 ![7 页组会 Slides 总览](./assets/slides-montage.png) 最终验收结果为 `PASS`，状态为 `fully_ready`。详细检查结论见 [`delivery-acceptance-report.md`](./evidence/delivery-acceptance-report.md)。 ## 执行记录与复现材料这些文件按任务从提出到验收的顺序保留，首页上的数字都可以在这里找到对应记录。 | 阶段 | 材料 | |:---|:---| | 原始任务 | [`original-task.md`](./evidence/original-task.md) | | 需求确认 | [`requirement.md`](./evidence/requirement.md) | | 执行计划 | [`execution-plan.md`](./evidence/execution-plan.md) · [`module-work-plan.json`](./evidence/module-work-plan.json) | | Skill 选择 | [`selected-skills.json`](./evidence/selected-skills.json) · [`skill-inventory-snapshot.json`](./evidence/skill-inventory-snapshot.json) | | 实际执行 | [`module-execution.json`](./evidence/module-execution.json) | | 产物一致性 | [`consistency-check.json`](./evidence/consistency-check.json) | | 最终验收 | [`delivery-acceptance-report.md`](./evidence/delivery-acceptance-report.md) · [`JSON`](./evidence/delivery-acceptance-report.json) | | 公开副本说明 | [`PUBLICATION-NOTES.md`](./PUBLICATION-NOTES.md) | [`case-manifest.json`](./evidence/case-manifest.json) 和 [`consistency-check.json`](./evidence/consistency-check.json) 是最终验收前生成的过程快照，因此其中保留了当时的待验收状态。最终状态以随后生成的 `module-execution.json` 和 `delivery-acceptance-report.*` 为准。 ## 复现实验核心公开包保留了数据整理、基线实验、不确定性计算和制图脚本。先确认当前 `python` 指向 Python 3.12.12，再在仓库根目录运行： ```powershell python --version python -m venv .\docs\cases\ml-experiment\reproduce\.venv .\docs\cases\ml-experiment\reproduce\.venv\Scripts\python.exe -m pip install -r .\docs\cases\ml-experiment\reproduce\requirements.lock pwsh .\docs\cases\ml-experiment\reproduce\reproduce.ps1 ``` 脚本会把结果写到 `reproduce/generated/`，连续运行两次固定基线，并核对生成的 `metrics.json` 是否与已验收结果完全一致。生成目录和虚拟环境不会提交到 Git。