可复现性（运行留痕与干净重跑）

何时用

• 每次要对外报告一个实验结论之前；
• 方法学部分动笔之前（先把该记的记下来）；
• 有人质疑结果、或自己发现两次运行不一致时。

前置检查

1. 项目是否已 science_project_open（没有 project_id 的运行记录没有归属）；
2. 实验计划是否已 science_exp_plan（预注册式：假设、变量、n、分析计划、风险）；
3. 工作目录是否在 git 仓库内（能拿到 commit 才能谈复现）。

步骤

1. 固定环境：记录解释器版本、关键依赖版本（pip freeze / renv.lock / package-lock.json）并算一个依赖哈希；不要只写"用了 pandas"。
2. 固定随机性：所有随机源显式 seed（Python random、numpy、框架各自 seed、DataLoader worker seed）；记录 seed 值。
3. 固定输入：输入数据算 sha256；外部数据写来源 + 拉取日期 + 许可。
4. 一次运行一条记录：science_exp_run 记 command / cwd / env / seed / commit / 输入输出哈希 / exit_code / 起止时间。日志保留路径，不要只截屏。
5. 产物哈希：模型文件、图表、结果表都算哈希；同一脚本两次运行哈希不同就要解释（时间戳、浮点非确定性、并发顺序）。
6. 干净重跑：science_repro_check 在空目录里重跑，比对产物哈希与关键指标；不一致就列差异（数值容差、字段缺失、顺序变化）。
7. 写清单：science_provenance 生成 manifest（代码 / 数据 / 环境 / seed / 许可 / 硬件），随稿件一起交付。

产出与落库

• run 表：command / env_json / seed / commit / dep_hash / inputs_json / outputs_json / exit_code
• analysis 表：检验、统计量、效应量、CI、p、校正方法、前提检查
• manifest.json：可复现包清单

常见失败与降级

• 拿不到 commit（不在 git 里）：至少对脚本目录做哈希快照，并在报告里标注"无版本控制"。
• 环境无法重建（老 CUDA / 私有镜像）：记录到能重建的最小描述 + 已知偏差，明确写"环境不可完全重建"。
• 结果对 seed 敏感：报告多 seed 的均值与区间，不要只报最好那一次。
• 硬件差异（GPU 非确定性）：开启确定性模式（如 torch.use_deterministic_algorithms）或声明容差。