核心用法
Data Science CV Repro Lab 是一个纯 Markdown 文档型的指导性技能，专为计算机视觉实验的可复现性审查而设计。它不提供代码执行能力，而是作为系统化的审查框架，帮助用户评估 CV 实验是否具备足够的证据支持其声称的结果。
使用流程遵循六步审查法：首先确认实验任务、数据集、模型、评估指标和声称结果的基本信息；其次检查证据完整性，包括代码版本、数据版本、随机种子策略、硬件/运行环境说明以及精确的评估命令；然后将证据分为三类——已验证的来源检查、已完成的运行证据和未经验证的声明；接着识别常见风险点，如数据泄露、过拟合、精选样本展示、缺失基线对比、标签不完整以及隐私风险；再确保公开摘要中不包含私有路径、凭据、内部注释等敏感信息；最终输出四级 verdict：reproducible（完全可复现）、reproducible_with_notes（附说明可复现）、blocked（阻断）或 do_not_promote（不建议推广）。
显著优点
该技能的最大优势在于其零执行风险的设计哲学。作为纯指导性文档，它不操作浏览器、笔记本、GPU、云资源或任何基础设施，从根本上杜绝了意外修改生产环境的可能性。安全边界定义极为清晰，明确禁止请求凭据、访问私有数据集或修改基础设施状态。
审查框架的专业性和系统性是其另一核心亮点。它覆盖了 CV 实验可复现性的关键维度：从技术层面的版本控制、随机种子到治理层面的隐私合规、医疗/生物识别等高风险场景的特殊要求。特别值得关注的是其对敏感 CV 应用的警觉性——将医疗影像、生物识别、面部识别、儿童安全和监控相关声明自动标记为高风险类别，要求更强的证据支持。
输出结构高度结构化且可执行，包含实验元信息、证据清单、风险矩阵、下一步验证建议以及明确的最终裁决，便于团队决策和审计追踪。
潜在缺点与局限性
作为纯指导性技能，其有效性高度依赖于使用者的专业判断和 Agent 的提示词遵循能力。技能本身无法自动验证代码是否真的可运行、数据集是否真实存在或结果是否被篡改，它仅提供审查清单和决策框架。
来源可信度为 T3 级（个人开发者/社区项目），虽然 MIT-0 开源协议降低了法律风险，但技能的维护持续性、更新频率以及对最新 CV 研究实践（如大型基础模型的新评估范式）的覆盖程度存在不确定性。
此外，技能的刚性边界在某些场景下可能成为限制——例如当用户确实需要进行轻量级的代码验证或环境检查时，必须切换到其他工具完成，这可能打断审查工作流。
适合的目标群体
该技能最适合以下三类用户：
1. 科研论文作者与审稿人：在投稿前或审稿阶段系统化检查实验可复现性，提升论文质量并加速审稿流程。
2. 企业 ML 团队的技术负责人：在产品化 CV 模型前进行发布前审查，确保对外宣称的性能指标经得起推敲，降低声誉风险。
3. 开源项目维护者：为社区贡献的 CV 实验或基准测试建立统一的准入标准，维护项目可信度。
不推荐用于需要实际代码执行、环境搭建或数据探索的场景——这些需求应配合 Jupyter、Docker 或云开发环境等工具完成。
使用风险
常规风险主要集中在执行层面而非安全层面：由于技能依赖 Agent 对提示词的遵循，存在边界声明被意外突破的理论可能，建议在高风险场景（如涉及私有数据路径或内部基础设施描述时）进行人工复核输出。性能风险极低——无外部依赖、无网络调用（仅 2 个 ClawHub 官方文档链接）、无计算资源消耗。依赖风险同样为零——无 package.json、requirements.txt 或其他包管理文件。用户需注意区分"审查通过"与"实验正确"——技能仅评估可复现性证据的完整性，不验证科学假设的合理性或方法的创新性。