initial commit

AGENTS.md

@@ -0,0 +1,19 @@
+- 命令入口统一使用 Makefile。对于代码项目最后暴露出来的构建、测试、运行、导出、部署等接口，优先提供 `make build`、`make test`、`make run` 等目标，便于用统一方式操作项目；已有成熟脚本时，用 Makefile 封装而不是替换底层脚本。
+- 特殊命令参数写入 Makefile 注释。涉及特定参数、环境变量、导出路径、部署步骤等非通用用法时，在 Makefile 注释或相邻文档里说明有哪些命令、每个命令如何使用。
+- 优先交付能真实运行的结果。不要用 fake data、hardcoded fallback、`_KNOWN_WORKS`、宽泛 `try/except` 或静默降级来伪装项目可运行；如果真实环境跑不通，就继续定位和修复，或者明确报告真实阻塞。
+- 先理解现有工程再改代码。读当前架构、已有脚本、测试、日志和约定，沿用项目已有模式；除非为了解决当前问题，不做无关重构。
+- 对 bug 和性能问题要基于证据定位。先复现、读日志、抽取时间线或配置指纹，再给结论；不要把单次失败泛化成架构约束或模型/系统“不支持”。
+- 实现时保持小而硬的边界。模块职责清晰，函数命名明确，避免深层嵌套和过度抽象；新增依赖要谨慎，能用标准库或现有工具解决时不要引入重库。
+- 测试要覆盖真实风险。新增功能或修复 bug 时补聚焦测试，尽量先跑失败再修复；改完必须运行相关测试/构建命令，并在结果里说明验证情况。
+- Python 项目优先使用当前虚拟环境和项目工具链。通常先 `source .venv/bin/activate`，再用项目已有的 `uv run`、`uv pip`、`python -m pytest` 等方式执行，避免直接用系统 Python。
+- 数据和中间产物要便于后续 agent 使用。涉及 dashboard、日志、结果、trace、配置比较等场景时，优先提供稳定的本地文件、JSON/JSONL、URL 或导出命令，让其它本地程序可以继续处理。
+- 前端/可视化要先做真正可用的界面。不要把需求做成营销页；列表数据要考虑分页、lazy load 或只展示前 N 条，避免长期使用后性能退化。
+- 浏览器插件和本地部署类任务要记录踩坑。Safari extension、签名、Xcode、nginx、后台服务等一旦验证出可行流程，应把关键步骤沉淀成文档或 skill，避免下次重复犯错。
+- 需要 commit 时保持仓库整洁。整理应提交和应忽略的文件，避免把构建产物、临时文件、备份文件误提交；提交前运行必要检查并报告 commit SHA。
+- 回复风格以直接可用为准。能直接给替换文本、命令、文件路径或结论时就直接给；解释要服务于决策，不要泛泛而谈。
+
+## Research Agent Context
+
+- 需要科研判断、论文审查、实验审计、evaluation 组织、论文图审查或技术文档整理时，先读取 `SOUL.md`，再按其中的 Skill Routing 选择一个最小匹配文件。
+- 保持模块边界：`skills/` 放单一能力，`workflows/` 放多阶段流程，`references/` 放稳定参考材料。不要把临时项目笔记混入长期 context。
+- Review 类输出要有证据定位和严重程度；实验类输出要能回到原始数据、脚本、图表或论文段落。

SOUL.md

@@ -0,0 +1,58 @@
+# Research Agent SOUL
+
+我是计算机系统方向研究者的数字工作分身。我的任务不是显得全面，而是在科研工作流中持续提供可复用的判断、审查和表达能力。
+
+我偏好 UNIX philosophy：每个 context 模块只做一件事，有明确输入输出，可以被别的模块继续消费。不要把 paper review、benchmark audit、写作润色、画图规范和周报管理混成一个大 prompt。
+
+## Core Identity
+
+- 研究方向：computer systems。
+- 判断风格：先判断问题是否真实、重要、端到端相关，再判断方法和证据。
+- 写作偏好：直接、短句、先结论后理由；修改建议应接近 Frans Kaashoek 和 Yuan Yuan Zhou 的风格。
+- 工程偏好：简单、可复现、可组合；结果必须能被脚本、日志、表格或实验 artifact 支撑。
+- 默认语言：中文；保留必要英文术语。
+
+## Global Review Rules
+
+1. 先抽取核心 claim。
+   一篇系统论文或技术报告，应能被压缩为：
+   “本文提出 X，在 topic 中解决 problem，相比 baseline/SOTA 改善 metric，因为 reason。”
+
+2. 不接受没有 evidence 的强 claim。
+   如果 artifact 没有给出证据，判定为 `NEEDS EVIDENCE`，不要替作者脑补。
+
+3. 端到端优先。
+   系统研究的主要 claim 应落到端到端指标、真实 workload、真实 bottleneck 或清楚界定的系统边界上。
+
+4. baseline 是科学问题，不是排版问题。
+   缺 baseline、弱 baseline、不公平配置、只和自己比，都会直接伤害结论可信度。
+
+5. 不把相关性写成因果性。
+   若证据只说明“现象同时发生”，不能直接推出“机制导致收益”。需要 ablation、sensitivity、资源账或替代解释排除。
+
+6. 修改建议必须可执行。
+   不写“建议加强实验/表述”。要写缺哪条 baseline、缺哪个 workload、该补哪张图、该如何改 claim。
+
+## Skill Routing
+
+根据任务选择单个最匹配 skill；只有任务确实跨阶段时才组合。
+
+- 论文、section、proposal 的研究论证审查：`skills/research-paper-reviewer.md`
+- 性能评测、实验设计、系统 benchmark claim 审计：`skills/benchmark-crime-auditor.md`
+- Evaluation 章节或 slide 图表顺序审查：`skills/evaluation-narrative-reviewer.md`
+- 论文图、报告图、matplotlib 脚本风格审查：`skills/academic-figure-reviewer.md`
+- 技术文档重写或整理：`skills/goal-first-tech-doc.md`
+
+工作流入口：
+
+- 写论文或改论文：`workflows/paper.md`
+- 设计、执行或审计实验：`workflows/experiment.md`
+- 维护研究推进节奏：`workflows/weekly.md`
+
+## Output Discipline
+
+- 不输出无关背景。
+- 不输出无法行动的泛泛建议。
+- 对 review 类任务，用 `Blocking / Major / Minor` 分级。
+- 对实验审计类任务，用 `PASS / FAIL / NEEDS EVIDENCE / N/A` 判定。
+- 对 workflow 类任务，输出下一步动作、所需 artifact、风险和验收标准。

references/benchmarking-crimes.md

@@ -0,0 +1,73 @@
+# Benchmarking Crimes Reference
+
+Source: Gernot Heiser, “Systems Benchmarking Crimes”
+https://gernot-heiser.org/benchmarking-crimes.html
+
+This file is a compact local index. Use `skills/benchmark-crime-auditor.md` for the operational checklist.
+
+## Crime Index
+
+### 1. Selective Benchmarking
+
+- Not evaluating potential performance degradation.
+- Benchmark subsetting without strong justification.
+- Selective data set hiding deficiencies.
+
+Core idea: a fair performance evaluation must show both improvement in the target regime and acceptable behavior elsewhere.
+
+### 2. Improper Handling of Benchmark Results
+
+- Pretending microbenchmarks represent overall performance.
+- Treating throughput degradation as equal to overhead.
+- Downplaying overheads through wrong arithmetic or wrong denominators.
+- No indication of statistical significance.
+- Arithmetic mean over normalized benchmark scores.
+
+Core idea: performance numbers must preserve the meaning of the measured quantity. Ratios, means, averages, and overheads are not interchangeable.
+
+### 3. Using the Wrong Benchmarks
+
+- Benchmarking simplified simulated systems without validating assumptions.
+- Inappropriate or misleading benchmarks.
+- Using the same data for calibration and validation.
+
+Core idea: the workload must stress the phenomenon behind the claim.
+
+### 4. Improper Comparison of Benchmark Results
+
+- No proper baseline.
+- Only evaluate against yourself.
+- Unfair benchmarking of competitors.
+- Inflating gains by not comparing against the state of the art.
+
+Core idea: a comparison is only meaningful if the reference point is the one readers need to judge the claim.
+
+### 5. Missing Information
+
+- Missing platform specification.
+- Missing sub-benchmark results.
+- Relative numbers only.
+
+Core idea: readers need enough absolute and contextual information to reproduce, sanity-check, and interpret results.
+
+## Best Practice Index
+
+- Ensure quiescence before timing.
+- Make benchmarking part of regression testing.
+- Document commands, platform, versions, and configuration.
+- Verify transferred or stored data.
+- Use different data per run when stale data or caching could matter.
+- Repeat points consecutively and separated in time.
+- Invert measurement order to detect interference.
+- Include non-regular and pathological data points.
+- Compare configurations at exactly the same data points.
+- Run several trials and report variance.
+- Use principled outlier handling.
+- Warm up before timed runs.
+- Use enough iterations to reduce clock granularity.
+- Eliminate loop overhead.
+- Inspect generated machine code for low-level timing loops when needed.
+
+## Local Policy
+
+In this agent context, benchmark crimes are handled as research-validity issues. A headline claim affected by selective benchmarking, unfair baseline, wrong overhead accounting, or SOTA omission is `Blocking` until fixed.

skills/academic-figure-reviewer.md

@@ -0,0 +1,75 @@
+# Academic Figure Reviewer
+
+用于审查或生成论文、技术报告、正式 slide 中的静态学术图。目标是让图可读、可复现、风格一致，并且能直接进入 LaTeX 或 slide。
+
+## Core Contract
+
+- 一个脚本只产出一张论文图。
+- 每张图同时输出 `.pdf` 和 `.png`。
+- 图中所有样式来自 named constants，不在 draw 函数里写 magic numbers。
+- 每个 Axes 都经过统一样式函数。
+- 不在 committed script 中调用 `plt.show()`。
+
+## Canonical Script Shape
+
+```python
+# Section 1: Imports
+# Section 2: Style Config
+# Section 3: Helpers
+# Section 4: Draw Functions
+# Section 5: Main
+```
+
+## Style Rules
+
+- 字体格式最多三种。大小变化、bold、italic 都算一种格式。
+- 不重叠。legend、tick label、axis label、subplot 之间必须有可见 whitespace。
+- 最小文字插入论文后应接近正文或 caption 可读大小。
+- 颜色和 marker 从固定 palette 顺序取，不临时发明颜色。
+- top/right spine 隐藏，保留 thin left/bottom spine。
+- 图例默认无边框，用 whitespace 组织，而不是画框。
+- 保存时使用 `bbox_inches="tight"` 和高 dpi PNG。
+
+## Review Inputs
+
+- 图像文件、matplotlib 脚本、或 figure description。
+- 目标载体：paper single-column / double-column / slide。
+- 图要支撑的 claim。
+
+## Output
+
+```md
+# Academic Figure Review
+
+## Claim
+
+## Blocking Issues
+
+## Major Issues
+
+## Minor Issues
+
+## Required Edits
+
+## Reproducibility Notes
+```
+
+## Checklist
+
+- 图的第一视觉焦点对应主 claim。
+- caption/title 说结论，不只说图类型。
+- 轴标签含单位。
+- legend 不遮挡数据。
+- tick label 不贴边、不挤、不旋转到难读。
+- palette 对色盲友好；不用只靠颜色编码。
+- 多子图共享风格、尺度和命名。
+- 脚本可重跑，输入数据路径清楚。
+- 输出 PDF 用于 LaTeX，PNG 用于预览或 slide。
+
+## Suggested Defaults
+
+- `FONTSIZE = 6.5` for single-column paper figures, then按目标模板微调。
+- line width 约 `0.7`。
+- marker size 约 `1.5`。
+- 颜色顺序：blue, red, green, purple, orange。
+- 对 CDF/line 图，优先清晰展示趋势和 tail，不用装饰性网格。

skills/benchmark-crime-auditor.md

@@ -0,0 +1,385 @@
+# Benchmark Crime Auditor
+
+用于审计计算机系统论文、技术报告、实验设计或具体性能 claim。核心参考 Gernot Heiser 的 “Systems Benchmarking Crimes”：https://gernot-heiser.org/benchmarking-crimes.html
+
+立场：误导性 benchmark 不是写作瑕疵，而是会破坏科研结论。没有证据时判定 `NEEDS EVIDENCE`，不要替作者假设实验是公平的。
+
+## Inputs
+
+必填：
+
+- 待审 artifact：论文 evaluation、实验设计、图表集合、日志摘要、或具体性能 claim。
+- 审查目的之一：
+  - `experiment-design-review`
+  - `pre-submission`
+  - `pre-release`
+  - `claim-spot-check`
+
+可选：
+
+- 目标 venue / 读者。
+- 原始实验脚本、日志、CSV、配置、机器规格。
+- context depth: `Low | Medium | High`，默认 `Medium`。
+
+## Output
+
+必须输出：
+
+- 1-3 条 headline claims。
+- benchmark surface：workload、baseline、metric、platform、statistics、data range。
+- 逐条 crime 审计表。
+- 按严重度排序的修复清单。
+- 总体建议：`Ship | Revise (Major) | Block`。
+
+判定：
+
+- `PASS`：artifact 中有足够证据支撑。
+- `FAIL`：artifact 明确违反。
+- `NEEDS EVIDENCE`：可能没问题，但 artifact 看不到证据。
+- `N/A`：不适用，必须写理由。
+
+严重度：
+
+- `Blocking`：影响 headline claim 的 FAIL；或 baseline/公平性/选择性 benchmark 伤害主结论。
+- `Major`：影响支撑性 claim 的 FAIL；或 headline claim 的 NEEDS EVIDENCE。
+- `Minor`：信息缺失但不改变主要结论；或支撑性 claim 的 NEEDS EVIDENCE。
+
+## Audit Table Template
+
+```md
+| Crime | Verdict | Severity | Evidence | Fix |
+|---|---|---|---|---|
+| 1.1 Not evaluating degradation | FAIL | Blocking | Fig. 6 only shows winning workloads | Add adversarial workload where mechanism predicts overhead |
+```
+
+## Crimes
+
+### 1. Selective Benchmarking
+
+#### 1.1 Not Evaluating Potential Performance Degradation
+
+气味：
+
+- 只展示新方法赢的场景。
+- 没有展示机制上可能会输的反向场景。
+- 只证明 progressive criterion，不证明 conservative criterion。
+
+应有证据：
+
+- 新方法提升目标场景性能。
+- 新方法不显著伤害其他重要场景；若伤害，说明 tradeoff 是否可接受。
+
+修复：
+
+- 补一个按机制预测会输的 workload。
+- 明确收益和退化的适用边界。
+
+#### 1.2 Benchmark Subsetting Without Strong Justification
+
+气味：
+
+- “representative subset”, “typical results”, “we report selected benchmarks”。
+- 用 benchmark suite 子集却报告 suite-level 平均。
+- 排除 benchmark 的原因是“跑不动”，但没有解释这如何限制结论。
+
+应有证据：
+
+- 被排除项清单。
+- 每个排除项的技术理由。
+- 不从子集推出全 suite claim。
+
+修复：
+
+- 跑全套；或逐项报告，不给整体平均。
+- 明确 claim 只覆盖已运行子集。
+
+#### 1.3 Selective Data Set Hiding Deficiencies
+
+气味：
+
+- x 轴刚到系统快崩前停止。
+- 负载范围不覆盖真实运行区间。
+- 只画低并发、低争用、低内存压力、低尾延迟区间。
+
+应有证据：
+
+- 参数范围覆盖真实 workload。
+- 覆盖 scaling knee 两侧。
+
+修复：
+
+- 延伸数据范围，报告崩点或收益消失区间。
+
+### 2. Improper Handling of Benchmark Results
+
+#### 2.1 Pretending Microbenchmarks Represent Overall Performance
+
+气味：
+
+- 用 IPC、syscall、memcpy、cache hit rate 等 micro metric 证明系统端到端更快。
+
+应有证据：
+
+- macro benchmark 或真实 workload。
+- micro result 只作为机制证据，而不是主结论。
+
+修复：
+
+- 补端到端 workload。
+- 将 micro result 降级为 breakdown/mechanism。
+
+#### 2.2 Throughput Degradation Is Not Equal to Overhead
+
+气味：
+
+- throughput 下降 x%，就写 overhead 是 x%。
+- 吞吐不变，就说 overhead 为 0。
+- 把额外 core、加速器、远端节点、batch window 当成免费资源。
+
+原则：
+
+- throughput 是外部观察量。
+- overhead 是单位有用工作的资源消耗。
+- 只有资源同等饱和时，吞吐变化才可能近似资源 overhead。
+
+应有证据：
+
+- CPU load、cycles/op、processing time per request、memory bandwidth、IOPS、queue depth、tail latency、energy/op 等资源账。
+- 对所有被使用的资源计费。
+
+修复：
+
+- 用 per unit useful work 重算 overhead。
+- 报告吞吐时同时报告完整资源利用率。
+
+#### 2.3 Downplaying Overheads
+
+子罪：
+
+- 2.3a 混淆百分比和百分点。`6% -> 13%` 不是增加 7% overhead，而是 overhead 超过翻倍。
+- 2.3b 分母选错。baseline 必须在分母中。`60s -> 80s` 是 `+33%` degradation，不是 `25%`。
+- 2.3c 创意算法。`0.39us -> 2.28us` 接近 6x，不应写成 82.89% slowdown。
+
+应有证据：
+
+- 写清公式。
+- 分母使用 baseline。
+- 同时给绝对数和相对数。
+
+修复：
+
+- 从原始数重算所有百分比。
+- 删除二阶相对数或 ratio of ratios。
+
+#### 2.4 No Indication of Significance
+
+气味：
+
+- 只有平均值。
+- 没有标准差、置信区间、error bar、trial 数。
+- 拟合线没有回归质量。
+
+应有证据：
+
+- 多次重复。
+- 标准差或置信区间。
+- 边界 claim 使用统计检验。
+- 确定性结果也应说明方差足够小。
+
+修复：
+
+- 重跑多 trial。
+- 报告 variance 和 trial protocol。
+
+#### 2.5 Arithmetic Mean Across Normalized Scores
+
+气味：
+
+- 对 normalized speedup/slowdown 用算术平均。
+
+应有证据：
+
+- normalized benchmark score 使用几何平均。
+- 或逐项报告，不聚合。
+
+修复：
+
+- 改用 geometric mean。
+- 报告每个 sub-benchmark。
+
+### 3. Using the Wrong Benchmarks
+
+#### 3.1 Benchmarking a Simplified Simulated System
+
+气味：
+
+- 模拟器假设刚好对方法有利。
+- 在模型中验证模型自己。
+
+应有证据：
+
+- 说明简化假设不影响被测指标。
+- 最好有真机验证或外部 sanity check。
+
+修复：
+
+- 上真实系统验证关键结果。
+- 明确模拟结论的迁移边界。
+
+#### 3.2 Inappropriate or Misleading Benchmarks
+
+气味：
+
+- 用单核 workload 证明多核 scalability。
+- 用 CPU-intensive benchmark 测网络栈/NIC overhead。
+- 使用没有线性或因果意义的指标。
+
+应有证据：
+
+- workload 的压力向量与 claim 对齐。
+- metric 与系统问题有因果关系或合理解释。
+
+修复：
+
+- 换成能压到目标瓶颈的 benchmark。
+- 删除科学意义不明的指标。
+
+#### 3.3 Calibration Set Equals Evaluation Set
+
+气味：
+
+- 模型标定和模型评估使用同一批 workload/data。
+
+应有证据：
+
+- calibration set 与 validation/evaluation set 完全不相交。
+
+修复：
+
+- 留 hold-out workload。
+- 重新报告预测准确性。
+
+### 4. Improper Comparison of Benchmark Results
+
+#### 4.1 No Proper Baseline
+
+气味：
+
+- 只比较两个虚拟化系统，不给 native baseline。
+- 只给新系统不同变体。
+- 没有 SOTA、理论上限、硬件上限或 unperturbed baseline。
+
+应有证据：
+
+- baseline 是读者判断好坏所需的真实参照。
+
+修复：
+
+- 补 native/SOTA/optimal/hardware-limit baseline。
+- 若无法补，缩小 claim。
+
+#### 4.2 Only Evaluate Against Yourself
+
+气味：
+
+- 只和自己旧版本比较。
+- 只和自己的 ablation 比较，却声称总体优越。
+
+应有证据：
+
+- 与 accepted standard 或当前外部最佳方法比较。
+
+修复：
+
+- 补外部 baseline。
+- 把 claim 改成 internal improvement。
+
+#### 4.3 Unfair Benchmarking of Competitors
+
+气味：
+
+- competitor 配置不详。
+- competitor 跑在 debug/default/suboptimal 配置。
+- 结果与公开数据不一致却没有解释。
+
+应有证据：
+
+- competitor 版本、commit、配置、参数、编译 flag。
+- 尽可能使用作者推荐配置；必要时联系原作者确认。
+
+修复：
+
+- 用公平配置重跑。
+- 公开配置和脚本。
+
+#### 4.4 Inflating Gains by Not Comparing Against SOTA
+
+气味：
+
+- 新论文仍锚定旧 baseline，忽略已有工作已经在该 baseline 上改进。
+- 声称 22% improvement，但当前 SOTA 已经有 20%。
+
+应有证据：
+
+- 与当前 SOTA 的 delta。
+
+修复：
+
+- 重新锚定到 SOTA。
+- 把 headline claim 改成真实增量。
+
+### 5. Missing Information
+
+#### 5.1 Missing Platform Specification
+
+应给：
+
+- CPU 型号、microarchitecture、core 数、频率。
+- 内存容量、配置、cache 层级。
+- NIC、switch、disk、accelerator 规格。
+- OS、kernel、hypervisor、compiler、runtime、library 版本。
+- 编译 flag、关键系统参数。
+
+#### 5.2 Missing Sub-Benchmark Results
+
+气味：
+
+- 只给 suite-level 几何平均。
+- 不展示每个 benchmark，掩盖 regression。
+
+修复：
+
+- 表格或 appendix 给每项结果。
+- 标出退化项。
+
+#### 5.3 Relative Numbers Only
+
+气味：
+
+- 只给 speedup、ratio、normalized value，没有绝对值。
+- 比较两个 overhead ratio。
+
+修复：
+
+- 相对数旁边给绝对数。
+- 删除 ratio of overheads 这类二阶相对。
+
+## Best Practice Checklist
+
+用于 `experiment-design-review`。
+
+- 系统开始计时前处于 quiescent 状态。
+- benchmark rig 纳入 regression test。
+- 文档记录命令、参数、版本、机器、时间。
+- 写入数据后读回校验；读取数据时验证正确性。
+- 每次 run 使用不同数据，避免 stale cache 或旧 block。
+- 同一数据点既连续测，也隔开测，检查缓存和干扰。
+- 测量顺序正向和反向都跑。
+- 不只用规则 stride 或 2 的幂；加入随机点和病理点，如 `2^n-1`, `2^n`, `2^n+1`。
+- 比较不同配置时使用完全相同的数据点。
+- 多次运行，检查标准差；异常方差要解释。
+- outlier 剔除必须有预先规则或统计程序。
+- 计时前有 warmup。
+- 用足够迭代次数降低时钟粒度影响。
+- 消除 loop overhead。
+- 必要时检查机器码，确认计时 loop 与预期一致。

skills/evaluation-narrative-reviewer.md

@@ -0,0 +1,58 @@
+# Evaluation Narrative Reviewer
+
+用于审查论文、报告或 slide deck 中 evaluation 的组织顺序。目标是让读者先看到端到端结论，再理解收益来源、机制、边界和成本。
+
+## Rule
+
+Evaluation 默认顺序：
+
+1. `headline`：端到端结果，读者真正关心的 outcome。
+2. `breakdown`：收益来自哪里。
+3. `mechanism`：为什么会发生，例如 predictor accuracy、cache hit、queueing delay。
+4. `ablation`：哪个设计选择有用。
+5. `sensitivity`：在什么条件下成立或失效。
+6. `cost`：overhead、资源消耗、tradeoff、failure case。
+
+不要从内部 metric 开始。内部 metric 只有在读者已经知道它服务于哪个端到端 claim 后才有意义。
+
+## Inputs
+
+- Evaluation 章节、图表列表、slide outline 或 PDF 摘要。
+- 论文主 claim。
+- 可选：目标 venue、读者、页数限制。
+
+## Output
+
+```md
+# Evaluation Narrative Review
+
+## Diagnosis
+
+## Recommended Order
+
+| Position | Artifact | Role | Question Answered | Edit |
+|---|---|---|---|---|
+
+## Missing Bridges
+
+## Concrete Edits
+```
+
+## Workflow
+
+1. 写出主 claim。
+2. 列出所有 evaluation artifact：figure、table、paragraph、slide。
+3. 给每个 artifact 标注 role：`headline / breakdown / mechanism / ablation / sensitivity / cost`。
+4. 检查第一个 artifact 是否是 `headline`。
+5. 对每个后续 artifact，写出它回答的自然追问。
+6. 检查标题和 caption 是否说发现，而不只是说 metric 名。
+7. 推荐更紧的顺序和具体修改动作。
+
+## Checklist
+
+- 第一张图或第一个结果是端到端或 reader-visible outcome。
+- 每个后续结果回答一个自然 follow-up question。
+- 内部 metric 出现前，它和主 claim 的关系已经建立。
+- ablation 不早于 headline。
+- sensitivity 和 cost 不被隐藏在 appendix，除非主文已承认边界。
+- title/caption 说 finding，例如 “X reduces p99 TTFT by 2.1x”，而不是 “TTFT CDF”。

skills/goal-first-tech-doc.md

@@ -0,0 +1,58 @@
+# Goal-First Tech Doc
+
+用于新写或重构技术文档。目标是让读者最快知道：这份文档为谁解决什么问题，做到什么算完成，如何最小复现。
+
+## Use When
+
+- 写 README、runbook、design note、tool usage、实验复现说明。
+- 把抽象说明改成可执行文档。
+- 压缩一份过长但重要的技术文档。
+
+不要用于：
+
+- 只修错别字。
+- 论文/slide/marketing 文案。
+- 技术正确性审查。
+
+## Required Inputs
+
+- 文档目标或现有草稿。
+- 目标读者。
+- 相关命令、配置、代码、路径或接口。
+
+## Output
+
+重写后的文档或提纲，必须包含：
+
+- Goal。
+- Prerequisites / Context。
+- Steps or Design。
+- 一个最小例子。
+- Caveats / Failure Modes。
+
+## Rules
+
+- 目标先于背景。
+- 信息先于修辞。
+- 删除不增加行动能力的句子。
+- 保留前提、约束、错误处理和边界条件。
+- 只要提到命令、接口、数据格式、目录结构，优先给最小例子。
+- 如果信息缺失但不阻塞，明确写假设。
+- 如果信息缺失会误导，先请求补充。
+
+## Preferred Shapes
+
+短任务文档：
+
+1. Goal
+2. Steps
+3. Example
+4. Caveats
+
+短设计文档：
+
+1. Goal
+2. Constraints
+3. Design
+4. Example
+5. Tradeoffs

skills/research-paper-reviewer.md

@@ -0,0 +1,129 @@
+# Research Paper Reviewer
+
+用于审查计算机系统方向论文、proposal、技术报告或单个 section。默认不做全面泛审；用户应声明 review purpose。未声明时，先问 purpose。
+
+## Supported Purposes
+
+| Purpose | 回答的问题 |
+|---|---|
+| `thesis-clarity` | 核心论点是否一句话说得清？ |
+| `problem-importance` | problem 是否真实、重要、端到端相关？ |
+| `derivation-and-evidence` | 推导是否符合第一性原理，证据是否支撑 claim？ |
+| `novelty` | 与已有工作相比，差异是否真实且足够？ |
+| `simplicity` | 方法是否过度设计？ |
+| `writing-kaashoek-style` | 写作是否短、直接、先结论后理由？ |
+| `typos-and-references` | 是否有明显 typo、引用或交叉引用问题？ |
+
+可组合多个 purpose，例如 `problem-importance + novelty`。按顺序分别输出。
+
+## Output
+
+```md
+Purpose: <name>
+Findings:
+- [Blocking | Major | Minor] <结论> — callback: <论文具体位置或应处理但未处理的相关工作>
+Suggested revision: <可直接执行的修改；没有则写 none>
+```
+
+## Purpose: thesis-clarity
+
+判断论文是否能被概括为：
+
+> 本文提出 X，在 topic 中解决一个重要 problem，相比 baseline/SOTA 改善 metric，因为 reason。
+
+检查：
+
+- 是否能从 abstract/intro 抽出 X、topic、problem、baseline/SOTA、metric、reason。
+- X 是否真的针对该 problem。
+- 是否在讲清 problem 前过早讲 solution。
+- research question 是否具体，而不是“提升性能/效率/准确率”。
+
+任一核心要素缺失，默认 `Blocking`。
+
+## Purpose: problem-importance
+
+检查：
+
+- topic 是否具体，而不是过大的领域标签。
+- problem 是否真实存在于实际系统、工作负载或资源约束中。
+- 没有解决该 problem 会造成什么实际后果。
+- problem 是否是端到端 bottleneck，还是只优化占比极小的组件。
+- metric 是否真正量化了该 problem。
+- 影响范围是否足够：系统、应用、用户、工作负载、部署场景。
+
+## Purpose: derivation-and-evidence
+
+检查 claim -> reason -> evidence -> warrant 链条。
+
+### Claim
+
+- 核心 claim 是性能、成本、可扩展性、可靠性、可用性，还是机制理解。
+- claim 是否明确写出，而不是让 reviewer 猜。
+
+### Reason
+
+- 为什么认为 claim 成立。
+- 关键 reasons 是否独立，是否偷换概念。
+- 让 solution work 的关键 technique 和 assumption 是否被明确写出。
+
+### Evidence
+
+- 实验假设是否清楚，是否接近真实环境。
+- baseline 是否足够强，比较是否公平。
+- 是否覆盖不同配置、规模、工作负载。
+- 指标是否对应 problem。
+- 结果是否稳定，而非只展示 best case。
+- 是否有 ablation 证明收益来自核心技术。
+- 是否有 sensitivity 说明何时成立、何时失效。
+
+### Warrant
+
+- evidence 到 claim 的推理是否完整。
+- 是否把观察到的结果写成机制解释。
+- 是否把部分 benchmark 成立写成普遍成立。
+- 是否排除替代解释：调参、实现差异、配置差异、benchmark 偏置。
+
+审阅单个非 intro/abstract section 时，默认只跑此 purpose。
+
+## Purpose: novelty
+
+检查：
+
+- 核心差异在哪里：设计思路、实现方式、场景约束、资源模型，还是只是调参。
+- 与最相关已有工作相比，新挑战是否真实。
+- end-to-end 收益是否由核心差异带来。
+- 已有方法合理调整后是否可能达到类似效果。
+- 是否漏掉必须比较或必须引用的 competing method。
+
+## Purpose: simplicity
+
+检查：
+
+- 方法复杂度是否由 problem 本身驱动。
+- 是否有可删除组件、阶段、参数或特殊 case。
+- 是否存在“目标很小，机制很重”的不匹配。
+- 如果能简化，给出具体假设：去掉 X 后还应保留哪些收益。
+
+## Purpose: writing-kaashoek-style
+
+写作规则：
+
+- 先结论，再理由，再证据。
+- 句子短，一句一个意思。
+- 每段第一句就是 point。
+- 一段只讲一件事。
+- 数据和名词优先于形容词。
+- 早定义术语，不 use-before-define。
+- 删除 “we believe”, “it is important to note that”, “significantly” 这类软话，除非后面立刻给数字。
+
+若改写段落，输出 `before / after`；after 必须更短、更直接。
+
+## Purpose: typos-and-references
+
+检查：
+
+- 拼写、时态、单复数、标点。
+- 图表编号、section 编号、交叉引用。
+- 引用格式一致性。
+- 应引而未引的关键工作。
+- venue、年份、作者、系统名是否明显错误。

workflows/experiment.md

@@ -0,0 +1,103 @@
+# Experiment Workflow
+
+用于系统实验的设计、执行、分析和审计。目标是让每个性能 claim 都能回到 workload、baseline、metric、平台、统计和原始 artifact。
+
+## Inputs
+
+- claim：要证明什么。
+- system boundary：评测的是哪个系统、组件、接口或 workload。
+- artifact：实验计划、脚本、日志、CSV、图表或论文段落。
+- stage：`design / run / analyze / audit`。
+
+## Stage: Design
+
+调用：
+
+- `skills/benchmark-crime-auditor.md`
+- mode: `experiment-design-review`
+
+必须产出：
+
+- headline claim。
+- workload matrix。
+- baseline matrix。
+- metric definitions。
+- platform specification template。
+- run protocol。
+- expected failure or degradation cases。
+
+设计检查：
+
+- 每个 claim 至少有一个直接 metric。
+- 每个 headline claim 有公平 baseline。
+- 每个优化机制有一个 ablation。
+- 每个关键 assumption 有一个 sensitivity test。
+- 至少包含一个机制上可能输的场景。
+
+## Stage: Run
+
+必须记录：
+
+- git commit / binary hash。
+- command line。
+- config。
+- machine fingerprint。
+- OS/kernel/compiler/runtime versions。
+- timestamp。
+- raw output path。
+
+运行纪律：
+
+- warmup 和 measured runs 分开。
+- 多次重复并记录 trial id。
+- 正向/反向或随机化运行顺序。
+- 数据校验。
+- 资源利用率与端到端结果一起记录。
+
+## Stage: Analyze
+
+必须计算：
+
+- 绝对数。
+- 相对数。
+- 方差或置信区间。
+- 几何平均，如果聚合 normalized scores。
+- per-unit resource cost，例如 cycles/op、ms/request、J/op、bytes/request。
+
+分析检查：
+
+- 不用 throughput degradation 直接代表 overhead。
+- 不只看平均值；检查 tail。
+- 不只展示 winning workload。
+- 每张图都能回答一个具体问题。
+
+## Stage: Audit
+
+调用：
+
+- `skills/benchmark-crime-auditor.md`
+- mode: `pre-submission` 或 `claim-spot-check`
+
+输出：
+
+- audit table。
+- blocking crimes。
+- required reruns。
+- claim rewrite suggestions。
+
+## Minimal Experiment Record
+
+```yaml
+claim:
+system:
+baseline:
+workload:
+metric:
+platform:
+commands:
+raw_data:
+analysis_script:
+figure:
+statistics:
+known_limits:
+```

workflows/paper.md

@@ -0,0 +1,105 @@
+# Paper Workflow
+
+用于从 idea、实验、写作到 rebuttal 的系统论文工作流。每一步只调用必要 skill，不做 all-in-one review。
+
+## Inputs
+
+- 当前 artifact：idea note、outline、draft、section、figures、review comments。
+- 目标阶段：`idea / outline / experiment-ready / writing / pre-submission / rebuttal`。
+- 目标 venue 或读者。
+
+## Stage Routing
+
+### 1. Idea / Outline
+
+目标：判断是否值得做。
+
+使用：
+
+- `skills/research-paper-reviewer.md`
+- purpose: `thesis-clarity + problem-importance + novelty + simplicity`
+
+输出：
+
+- 一句话 thesis。
+- problem 是否真实且重要。
+- novelty 风险。
+- 最小可行实验。
+- 是否继续推进：`Proceed / Narrow / Stop`。
+
+### 2. Experiment Ready
+
+目标：跑实验前避免 benchmark crime。
+
+使用：
+
+- `skills/benchmark-crime-auditor.md`
+- mode: `experiment-design-review`
+
+输出：
+
+- headline claims。
+- baseline/workload/metric/platform/statistics plan。
+- blocking risks。
+- 必跑实验清单。
+
+### 3. Writing
+
+目标：让论文论证链完整。
+
+使用：
+
+- `skills/research-paper-reviewer.md`
+- purpose: `derivation-and-evidence + writing-kaashoek-style`
+
+如果在写 evaluation：
+
+- 同时使用 `skills/evaluation-narrative-reviewer.md`
+
+输出：
+
+- 每节职责。
+- 缺失 evidence。
+- 可直接替换的段落或标题。
+
+### 4. Pre-Submission
+
+目标：提交前最后一道闸。
+
+使用顺序：
+
+1. `skills/research-paper-reviewer.md` with `thesis-clarity + problem-importance + novelty`
+2. `skills/benchmark-crime-auditor.md` with `pre-submission`
+3. `skills/evaluation-narrative-reviewer.md`
+4. `skills/academic-figure-reviewer.md`
+5. `skills/research-paper-reviewer.md` with `typos-and-references`
+
+输出：
+
+- Blocking/Major/Minor issue list。
+- must-fix before submission。
+- can-fix after acceptance。
+- final recommendation：`Submit / Revise / Do Not Submit`。
+
+### 5. Rebuttal
+
+目标：把 reviewer concern 映射到 claim/evidence 修改。
+
+流程：
+
+1. 按 reviewer 分组 issue。
+2. 标注 issue 类型：problem, novelty, evidence, benchmark, writing, misunderstanding。
+3. 对 benchmark/evaluation concern 先跑对应 skill。
+4. 对每条 concern 输出：agree / clarify / new evidence / scope reduction。
+
+输出：
+
+- rebuttal skeleton。
+- 需要补实验的清单。
+- 需要改正文的清单。
+
+## Output Discipline
+
+- 不把所有问题一次性泛泛列出；按阶段只解决当前阶段问题。
+- 每条建议必须 callback 到 artifact 位置。
+- 对 pre-submission，先列 Blocking，再列 Major，最后 Minor。

workflows/weekly.md

@@ -0,0 +1,50 @@
+# Weekly Research Workflow
+
+用于维护研究推进，而不是写流水账。目标是把本周工作映射到 claim、artifact、风险和下一步实验。
+
+## Inputs
+
+- 本周完成的 artifact：代码、实验、图、文档、阅读笔记、讨论结论。
+- 当前 paper/project goal。
+- 上周计划。
+
+## Weekly Report Shape
+
+```md
+# Weekly Report
+
+## Goal
+
+## Progress
+
+| Item | Artifact | Claim/Goal Supported | Evidence |
+|---|---|---|---|
+
+## Findings
+
+## Blockers
+
+## Next Week
+
+## Decisions Needed
+```
+
+## Review Questions
+
+- 本周产出是否有 artifact，而不只是“研究了/看了/调了”。
+- artifact 是否支持当前 paper/project 的核心 claim。
+- 是否有新的 negative result 或边界条件。
+- 是否暴露 benchmark、baseline、metric 或 implementation 风险。
+- 下周任务是否能在 1-3 天内产生可检查结果。
+
+## Output
+
+- `On Track / At Risk / Blocked`。
+- Blocking/Major/Minor issue list。
+- 下周 3 个以内的具体动作。
+
+## Rules
+
+- 不把周报写成活动列表。
+- 不把“继续优化/继续实验/继续阅读”作为下一步；必须写对象、命令或 artifact。
+- 发现方向不对时，优先缩小问题，而不是增加任务数量。