在开训之前，把一个 ML 问题写成可复现、把泄漏考虑在内的实验计划。有一个选择统摄其余所有选择：哪个单元必须保持独立——病人、分子骨架、中心、文档，还是时间点。纯标准库的 sidecar 用调用方给出的元数据生成确定性的 split 与 manifest。它不训练模型，也没法证明某个 split 在科学上是合理的。
一个 Skill 就是一个文件目录，所谓安装，就是把这个目录复制到 Agent 会去读的地方。有 Node 18+、且 PATH 上有 git（npm 靠它解析 github: 形式的包名）即可，无需先克隆仓库：
npx github:PKU-YuanGroup/OpenAI4S install plan-ml-experiment --target claude
--target claude 写入 ~/.claude/skills，claude-project 写入 ./.claude/skills，openai4s 写入 <data_dir>/user-skills，--dir <path> 则写到你指定的任意位置。往目标写任何东西之前，都会先打印解析出的绝对路径；--dry-run 到此为止，不再写入。重装时，若目标副本被你改过、或者不是它自己装的，就拒绝覆盖；uninstall 也只删除它自己写过的文件。对于 npm 发布版中包含的配方，可用 npx @pku-yuangroup/openai4s-skills install plan-ml-experiment --target claude 安装发布版本。npm 目录可能与当前仓库不同。
没有 Node 时，直接取这个目录——需要 .zip 上传时再打包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法，只解出这一个目录：
curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
| tar -xz --strip-components=2 OpenAI4S-main/skills/plan-ml-experiment
python3 -m zipfile -c plan-ml-experiment.zip plan-ml-experiment
同一份内容的图形界面版本是点击下载整个仓库 zip 包，Windows 上也走这条路：解压后把 skills/plan-ml-experiment/ 拷出来即可（unzip main.zip 'OpenAI4S-main/skills/plan-ml-experiment/*' 只解这一个目录）。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带全部内置 Skill，且内置 Skill 优先于 <data_dir>/user-skills 里的同名副本。目标目录、来源记录，以及安装器拒绝去做的那些事：tools/skills-installer/。
| 文件 | 职责 |
|---|---|
SKILL.md |
先把分析单元定下来，split 就是从它读出来的：病人、分子骨架、中心、文档或重复测量，用 grouped；上线之后要预测未来，用 chronological；只有当行确实彼此独立时，random 才是诚实的。其余一切都挂在这上面——假设、干预、基线、主指标和决策规则都要在看到测试集表现之前写死，然后是固定的 seed 与配置、单因素消融，以及那套能让别人把这场比较重跑一遍的产出（配置 fingerprint、校验和、split 下标、逐样本预测）。确定性不等于有效性：把一个有偏的 split 重跑一遍，只会把偏差原样复现。 |
kernel.py |
可选 sidecar。random_split 在给定 seed 下打乱行下标，chronological_split 按时间戳稳定排序而不打乱，grouped_split 保证同一个分组只落进一个划分。此外还有：配置的规范 fingerprint、文件的 SHA-256，以及一份 JSON experiment manifest，它只记录调用方给出的内容，不虚构环境状态。 |
分组标识和时间顺序必须来自领域知识。实验单元如果一开始就定错了，这些辅助函数的输出里是看不出来的。