企业官网建设流程全解析

Agent-Native Research Artifact（简称ARA）是一个让 AI 科研"结构化、可验证、可追溯"的工具包：它的compiler 技能能把一篇 PDF 论文、一个代码仓库或一堆实验日志，"编译"成一个 AI Agent 可以直接读取和消费的研究工件。本文以仓库内置的 ResNet 经典案例 examples/resnet-ara-example/ 为例，完整拆解一次"论文 → ARA 研究工件"的编译过程。

一、为什么 PDF 论文不够用：AI Agent 的 5 个信息盲区

传统论文是写给人类读者看的：它只保留最终故事，而 AI Agent 做科研真正需要的东西，恰恰藏在故事之外——

这就是 ARA 想解决的"监督鸿沟"：AI Agent 跑实验跑得飞快，但产出不可观测——过期的代码、散落的日志、没人记录的死路。左侧是传统 PDF 论文的形态，右侧是 ARA 的对应物，红叉标记的正是论文丢弃的信息：

二、ARA 研究工件的四层结构：1 个入口 + 4 个目录

打开任意一个 ARA 工件（ResNet 案例也是同一套骨架），你会看到这样的目录：

四个层各司其职：

• PAPER.md— 根清单 + 层索引（约 200 token）。Agent 先读它判断"这个工件与我的任务是否相关"，再按需深入——这叫渐进式披露。
• logic/认知层（What & Why）— 问题定义 logic/problem.md、可证伪的 claims logic/claims.md、概念定义、实验计划，以及solution/下的架构、算法、约束、经验法则。
• src/物理层（How）— 真正可执行的实现锚点：代码、配置、训练配方，以及 src/environment.md 记录的环境与复现信息。
• trace/探索图（Journey）— 研究轨迹 DAG，记录问题 → 实验 → 决策 →死路的全过程。
• evidence/证据层（Proof）— 论文的每张表、每张图都被逐一转录为"Markdown + 截图"两份文件，原值精确保存。

层与层之间不是孤岛，而是用跨层绑定串成一张可追溯的网：claim 用proof指向实验，实验用code_ref指向代码，代码用trace指向探索节点，探索节点用evidence指向结果文件——任何一条结论都能一路追到原始数据：

注意图中被打红叉的Dead-end 节点：失败路径是一等公民，而不是被丢弃的噪音。

三、compiler 编译流程：4 个阶段 + 最多 3 轮校验

compiler 不是一个独立命令行程序，而是一份给 Agent 的技能规范，完整定义在 skills/compiler/SKILL.md。它接受任何"含研究知识的输入"（PDF、代码仓库、rubric、实验轨迹），然后执行：

1. 语义解构：剥掉叙事包装，提取知识原子——公式、配置、所有精确数字、负结果、实现技巧；并逐张"看"图（不只是读图注），为每张表/图建立证据台账。
2. 认知映射：把原子映射进logic/——观察与 gap 进problem.md，可证伪断言进claims.md，验证计划进experiments.md（只写方向性预期，不写精确数字）。
3. 物理落地：论文中真实存在的代码转录进src/，并打上# Grounding:来源标注；绝不凭空发明函数体或超参。
4. 探索图重建：恢复研究 DAG，每个节点必须声明support_level: explicit（有原文出处）或inferred（推断重建）。

生成后进入Seal L1 自动校验：强制文件是否齐全、claim 是否都有 proof、跨层引用是否全部可解析、数字是否与原文逐字一致……不通过就定点修补再验，通常 2–3 轮收敛：

四、ResNet 逻辑层拆解：5 条观察 → 8 条可证伪 claims

ResNet（He et al. 2015）是这个案例的输入：examples/resnet-paper.pdf。编译后，论文的"degradation 之谜"被转写成 logic/problem.md 中的结构化条目——每条观察都带数字和出处：

• O1：56 层 plain CNN 在 CIFAR-10 上的训练、测试误差都高于20 层版本（Fig. 1）；
• O2：同样现象出现在 ImageNet——plain-34 的 top-1 误差 28.54%，比 plain-18 的 27.94% 还差（Table 2）；
• O3：排除梯度消失假设（BN 使前向信号方差正常，34 层 plain 用 10-crop 仍能到 24.19%）；
• 由此推出Key Insight：把每块改写为拟合残差映射 F(x) := H(x) − x，用无参数恒等 shortcut 加回 x。

随后claims.md给出 8 条可证伪声明 C01–C08，每条都是完整"证据链单元"：

## C02: Residual learning eliminates the degradation problem - **Statement**: 用残差块替换同深度的 plain 层对后， 更深版本训练/验证误差均更低 - **Status**: supported - **Falsification criteria**: 相同深度与训练管线下 ResNet-34 无法在 ImageNet 上超过 ResNet-18 … - **Proof**: [E01, E02] - **Evidence basis**: Table 2（ResNet-34 = 25.03， 比 plain-34 低 3.51 个百分点）

而实验层 logic/experiments.md 只写方向性预期（"ResNet-34 的曲线应全程低于 ResNet-18"），精确数字一律留在证据层——这正是 ARA 区分"计划"与"事实"的关键纪律。

五、探索图：保留 14 个节点，包括 2 条死路

trace/exploration_tree.yaml 用 14 个节点重走了 ResNet 论文的推理路径：中心问题 → 深度扫描实验 → 残差改写 insight → 恒等 shortcut 决策 → bottleneck 架构 → COCO 检测迁移。其中最有价值的节点是这些死路：

每个节点都声明support_level与source_refs（如["Table 2", "Fig. 4 left"]）——论文没写的轨迹，只标inferred，绝不虚构。对下游 Agent 来说，这些死路意味着：不必把 N04、N05 的坑再踩一遍。

六、证据与物理层：8 张表 + 4 张图逐格落盘

论文的每一张编号表都单独成文件，保留原始表格与出处，例如 table2_imagenet_plain_vs_residual.md：

8 张表 + 4 张图的完整索引见 evidence/README.md——每个文件都标注了它支撑的 claim 编号，形成"证据 ↔ 结论"的双向链接。

物理层则只收录论文中真实存在的实现：residual_block.py 从论文公式转录出 basic / bottleneck 块与 A/B/C 三种 shortcut 选项，并标注# Grounding来源；训练配方见 training_recipe.py，具体超参配置见 imagenet_resnet34.yaml。

七、一键复现：在你的项目里编译一篇论文

想对自己的论文做同样的事，完整步骤见 examples/resnet-walkthrough.md：

# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/ag/Agent-Native-Research-Artifact # 2. 安装 7 个 ARA 技能（自动识别你的 Agent 环境） npx @ara-commons/ara-skills

然后在支持的 Agent（Claude Code、Cursor、Codex、Gemini CLI 等）里直接下编译指令：

/compiler path/to/your-paper.pdf --output ./ara-output/

产物检查顺序建议：先读PAPER.md层索引 → 核对claims.md的 proof 链 → 抽查evidence/数字 → 最后看trace/探索图是否保留了该领域的失败路径。

💡注意：resnet-ara-example/是一个精心打磨的手工示例，用于展示"编译完成后的形态"，而不是某条命令的直接输出。如果你只想看最小骨架，可以看精简版 examples/minimal-artifact/（Attention Is All You Need 的简化 ARA）。

八、延伸阅读：把案例读透

一句话总结：ARA 把"论文讲了一个故事"变成"Agent 拿到了一张可验证的知识地图"——ResNet 案例证明了这条路怎么走：观察带数字、claims 可证伪、证据逐格落盘、死路明码保留。