实验编码（stage 6）

任务不是“写出能跑的 notebook”，而是把上游冻结计划逐行实现成可证伪、可复跑、可审计的实验。优先级：

1. 不改研究问题；
2. 不让评估信息进入训练；
3. 能用固定环境与 seed 真复跑；
4. 保留足够 raw evidence，让 result-analysis 自己重算；
5. 代码整洁和速度服从以上约束。

先完整阅读 references/experiment-coding-resource-map.md。工具机制见 references/tools.md，TDD/调试红旗见 references/tdd_redflags.md 与 references/debug_protocol.md。

入口：冻结输入

开始写码前读取并 hash：

• question / estimand；
• experiment matrix 每一行和 fair-comparison 常量；
• pre-registration 及 provenance；
• failure-tree report：每条 hypothesis 的 success/failure/inconclusive 分支、guardrail/counter-metric、kill criterion 与 amendment policy；
• data fixed revision、raw/curated SHA256、lineage、split ID、split_leakage evidence；
• result-analysis 对 raw run、predictions、metrics、failures、provenance 的消费契约；
• 当前 git commit 与 dirty state。

primary outcome、comparison family、exclusion、stopping 已冻结。若实现证明计划不可行，带最小复现和影响返回 research-plan，停下让人决策；不得改 config 默认值静默漂移。

实现顺序

1. 建立最小可运行项目

优先复制 assets/project-scaffold/：

• uv.lock + pyproject.toml：uv sync --locked --extra dev；
• configs/experiment.schema.json：每个 matrix row 的机读配置；
• experiment_contracts.py：data/model/metric/preprocessing 最小接口；
• reproducibility.py：运行期 seed helper；
• CI/pre-commit/debug 资产。

遵循现有仓库框架和配置格式；不要为一个实验引入付费 IDE、云追踪或私有 key。MLflow/DVC 可选，普通本地文件必须能完成 核心闭环。不可用资源明确写 UNAVAILABLE:原因，不假装通过。

2. 测试先行

在实现 preprocessing/train/eval 前：

1. 写 gold test，验证人工可算的小答案；
2. 写 property test（Hypothesis），验证范围、有限性、对称/单调等不变量；
3. 写 metamorphic test，验证置换/等价变换后的输出关系；
4. 写 train-only-fit 测试，记录 transformer 只收到训练折；
5. 亲眼看新测试因缺实现或真实 bug 失败，再写最小实现使其通过。

浮点断言用 pytest.approx / assert_allclose(rtol, atol)。先声明 device、dtype、mixed precision 和容差；NaN/Inf 默认 fail。不要测“随机训练一定达到某个漂亮数”，测确定性边界和可重算事实。

3. 防泄漏实现

• holdout：先 split，再仅用 train fit/fit_transform，test 只 transform；
• CV/调参：预处理器与模型放进 sklearn Pipeline，每折只 fit training fold；
• 患者/用户/牧场等实体用 group-aware split，不得跨 train/test；
• 目标编码、特征选择、PCA、imputation 同样只在训练折 fit；
• 数据件复核直接复用 data-engineering split_leakage，不重造。

review_gate 只识别静态形态，会漏/误报；领域语义仍要人工核对。指标异常好，先查 leakage。

4. 控制随机性与数值边界

分开两个目的：

• fixed_repro：固定一个 seed，在同代码/data/config/environment 下做两次独立运行；
• randomness_estimation：按预注册 seed 列表做多次运行，估计算法随机性。

多 seeds 不是患者/实体样本量，绝不拿 seed 数替代功效分析 n。

按实际使用覆盖 PYTHONHASHSEED（当前进程须启动前设）、random、NumPy、框架 RNG、CUDA、cuDNN、 deterministic algorithms、DataLoader generator/worker。记录 device/dtype/AMP、线程数、worker 数、排序键和已知 非确定算子。换 seed 应可变但可追溯；同 seed 一致也只支持同环境契约，不外推跨 release/platform/hardware bitwise 保证。

5. 每个 run 保留 raw bundle

从 templates/run_manifest.template.json 生成 light.run_manifest.v3；说明见 templates/run_manifest.md。 termination 只说明进程为何停止，completion 才记录矩阵行 oracle 是否真的通过； timeout / max iterations / cancel 一律不得冒充完成。

每个 matrix row × config × seed × attempt 独立目录，至少保存：

• config schema 校验后的快照；
• code commit/dirty/diff 与代码文件 hash；
• data/input SHA256、source revision、split ID；
• environment（Python/包/OS/CPU/GPU/CUDA/线程）；
• argv 数组、stdout、stderr、exit code；
• 每折/每实体 raw metrics、patient/entity-level predictions；
• test evidence；
• failed run 的 failure artifact。

失败 run 不删除，不覆盖成成功。禁止只交 summary CSV；result-analysis 必须能从 raw evidence 重算。

门控与 checkpoint

按此顺序真跑并记录 exit code：

bash
python scripts/experiment_execution_contract.py --spec experiment_execution_contract.json \
  --report execution_contract_findings.json --json-out execution_contract_report.json
python scripts/review_gate.py src/ --json
python scripts/seed_audit.py src/train.py src/reproducibility.py
python scripts/repro_gate.py --spec repro_spec.json --report repro_findings.json
python scripts/run_artifact_check.py --manifest runs/EXP-01/run-a/manifest.json
python scripts/run_artifact_check.py --compare \
  runs/EXP-01/run-a/manifest.json runs/EXP-01/run-b/manifest.json
python ../light-orchestrator/scripts/run_checkpoint.py \
  --file .light/passport.yaml --stage 6 --findings repro_findings.json --write --ts <ISO-8601>

experiment_execution_contract.py 消费 light.experiment_execution_contract.v1（模板见 templates/experiment-execution-contract.example.json，故意 fail-closed）：核 as_of、frozen scope/evaluator/budget、failure-tree handoff、matrix/DAG、run status/termination/failure class、partial checkpoint/resume command、环境与 cache provenance、repro level 分层、远程/付费执行授权。timeout/OOM/preempted/max-iterations 不得写 completed；frozen_at 与远程授权 approved_at 不得来自未来；decision=NOT_READY/UNKNOWN 本身阻断推进；run 必须绑定冻结 matrix_rows 中的 row，且每个 row 必须绑定 failure_tree_refs（hypothesis_ids、branch_action_ids、适用的 guardrail_ids）；新增实验行要先回 research-plan 修订；completed run 若上游要求 guardrail，completion 必须留下 guardrail_evidence_artifacts，否则不得交 result-analysis；实际 walltime/cost/compute_units 与远程预计成本不得静默超过冻结预算，超限必须有预算覆盖授权；PARTIAL/RESUMABLE 必须有 checkpoint SHA 和 resume command；请求 CLEAN_ENV_RERUN/CROSS_PLATFORM/INDEPENDENT_REIMPLEMENTATION 必须有对应证据；远程/付费/HPC 运行在 user_authorization=APPROVED 前不得 RUN_READY。

stage 6 的 canonical critical 只有：

• leakage；
• reproducible。

float/security 在研究 checkpoint 按 spec 为 warn；review_gate 可作为独立交付阻断门，不得借此扩大 checkpoint critical 面。 stage-6 门失败就在本阶段修，不伪造 ROUTES[6] 出边。

同固定 seed 两次必须是独立 run dir；run_artifact_check.py 先核 matrix/config/env/code/input 身份和 started_at/ended_at 时间轴（带时区、不倒序、不来自未来），再比较 predictions/raw_metrics hashes。 静态 seed/leakage 门 + 同 seed pair 都通过，仍只是一组有边界的证据。

交 result-analysis 与 7→6

交付全部 completed/failed runs、coverage、manifests、predictions、raw metrics、logs、test evidence 和 canonical findings。 不要在 stage 6 替 result-analysis 选择性丢 run 或先写结论。

只有 result-analysis 产出真实实现 bug 或不可复现 root cause时，orchestrator 才可：

bash
python ../light-orchestrator/scripts/reroute.py \
  --findings result_findings.json --stage 7 --passport .light/passport.yaml

reroute 只给建议。落 7→6 back-edge 前停下，让用户拍板；用户确认后才调用 passport add-back-edge，并带回失败命令、 期望 vs 实得、artifact pointers 修根因。统计不显著、效果小、计划不可行不自动等于实现 bug。

不可协商

1. 不在全量数据上 fit scaler/encoder/imputer/PCA/feature selector 后再 split/CV。
2. 不只设一个框架 seed 就声称可复现。
3. 不用浮点 == 断言，不静默吞 NaN/Inf。
4. 不把固定 seed 与多 seeds 的科学目的混在一起。
5. 不删失败 run，不只留汇总数，不缺 stdout/stderr/predictions/raw metrics/provenance。
6. 不把静态扫描写成“证明无泄漏”，不把同 seed 两次一致写成“跨硬件绝对复现”。
7. 不改冻结研究设计；不可行就回 research-plan 让人决策。
8. 不由 stage 6 自己制造出边；7→6 只由下游真实 root cause 建议，且用户批准后才落边。

完成判据

• ] 每个 matrix row 有 schema-valid config 和稳定 run ID；
• ] 跑过 experiment_execution_contract.py 吗？scope/evaluator/budget、DAG、run status、failure class、resume、资源成本、repro level 和远程授权都闭合了吗？
• ] execution contract 是否绑定 .light/failure_tree_report.json 的 locator/hash/status？每个 matrix row 是否有 failure_tree_refs？completed run 是否留了 guardrail evidence？
• ] as_of、frozen_at、远程 approved_at、run started_at/ended_at 都是真实已发生时间吗？没有未来预填或结束早于开始吧？
• ] run 的 matrix_row_id 是否来自冻结 experiment matrix？实际 walltime/cost/compute_units 或远程预计成本超预算时，有预算覆盖授权吗？
• ] gold/property/metamorphic/train-only-fit 测试先红后绿；
• ] lock、接口、device/dtype/AMP/NaN/Inf/容差边界明确；
• ] review/seed/repro 门与 stage-6 checkpoint 通过；
• ] 固定同 seed 两次 predictions/raw_metrics hashes 一致；
• ] 换 seed 的变化有 manifest 可追溯；
• ] 每个 run 的 config/env/code/input/log/raw metric/prediction/failure evidence 齐全且 hash 可验；
• ] result-analysis 能只凭 bundle 消费，未发生 plan drift 或未授权 back-edge。

名实对齐

TDD、seed、安全扫描、复现实验都不是 Light 独有。R1 真同类已普遍具备 config-first、smoke、immutable run、 lineage 与 keep/discard。这里的实际增量是：

1. 代码级 holdout/CV leakage；
2. 框架感知 seed audit；
3. 复用数据件 split_leakage；
4. frozen execution contract（scope/evaluator/budget/DAG/status/resume/repro level/remote authorization）；

Round 3 再补 run→冻结 matrix row 身份绑定与实际/预计资源成本预算超限门，防止新实验行或付费扩跑绕过上游批准； Round 3 续补 failure-tree handoff 与 guardrail evidence，让 research-plan 的失败/无结论/kill criterion 不在执行端丢失；

1. hash-verified raw run bundle + same-seed pair；
2. canonical findings/stage-6 checkpoint + 受用户控制的 7→6。

诚实落后项：没有 MLflow 式查询 UI、DVC remote、GPU scheduler、仓库语义索引或自主 experiment search；静态门仍有边界。