update-study

Study の更新 - 学術論文品質の実験レポート生成

実験ログを分析し、学術論文品質の実験レポートを生成するスキルです。 matplotlib による可視化、エグゼクティブサマリー、実装構造、結果の解釈、改善案、LaTeX から PDF への変換を含みます。

主な機能

1. 差分検出 - 新しい実験のみを分析します（すでに文書化された実験はスキップ）
2. データ抽出 - W&B／ログファイルからメトリクスの時系列を抽出し、pandas DataFrame に構造化します
3. グラフの自動生成 - matplotlib に基づく比較チャート、トレンドパネル、条件別分析チャート
4. 反復的な執筆ループ - 学術論文品質に向けた品質改善ループ（80点以上で合格）
5. ハルシネーションゼロ - ログレベルで相互検証します
6. LaTeX PDF エクスポート - Figure を含む LaTeX 変換と PDF 生成

使用方法

/update-study <log_path(s)> <study_md_path>

• log_path(s)：実験ログファイルのパス（空白区切りで複数指定可能。W&B export CSV を含みます）
• study_md_path：更新する study markdown ファイルのパス

引数の解析

$ARGUMENTS の最後の引数が .md ファイルの場合は study ファイルとして、それ以外はログファイルとして解析します。

예시:
  /update-study logs/exp1.log results/study.md
  → log_files: ["logs/exp1.log"]
  → study_file: "results/study.md"

  /update-study logs/exp1.log logs/exp2.log memgen_ablation_study.md
  → log_files: ["logs/exp1.log", "logs/exp2.log"]
  → study_file: "memgen_ablation_study.md"

---

レポートテンプレート

最終レポートは次の構成に従います。学術論文品質の形式を維持します。

# {Title} Experiment Report

**Author**: {name}  **Date**: {date}  **Project**: {project}

## Executive Summary

| Task | Key Metric | Baseline | Proposed | Difference |
|------|-----------|----------|----------|------------|
| {task_a} | {metric} | {baseline_val} | {proposed_val} | {delta} |
| {task_b} | {metric} | {baseline_val} | {proposed_val} | {delta} |

{1-2 sentence overall conclusion}

## 1. Implementation

### 1.1 Overview

{실험의 목적과 접근 방식을 Definition-First 원칙으로 기술}

### 1.2 Implementation Structure

{핵심 코드 구조를 코드 스니펫으로 제시}

```python
class ProposedModule(nn.Module):
    """모듈 설명 - 무엇을, 왜 하는지"""
    def __init__(self, config):
        ...
    def forward(self, x):
        ...

2. 実験結果

2.1 {Task A}：{主な結果を一行で要約}

{結果テーブル + Figure の参照 + 解釈}

Figure 1 の解釈：{Figure で観察されるパターン、意味、ベースラインとの差}

2.2 {Task B}：{主な結果を一行で要約}

{同じ構成}

2.3 {分析タイトル}：{横断分析または相関分析}

{複数の実験／条件間の比較分析}

2.4 {限界分析のタイトル}

{実験結果から見つかった限界、予想と異なる結果の分析}

2.5 実験設定

パラメーター	値
モデル	{model_name}
データセット	{dataset}
エポック数	{N}
学習率	{lr}
バッチサイズ	{batch_size}
ハードウェア	{gpu_info}

3. 改善案

3.1 {手法 A}

問題：{現在の結果から見つかった具体的な問題、数値的な根拠}

解決策：{提案する解決方法とその根拠}

# 구현 예시
class ImprovedModule(nn.Module):
    def __init__(self, config):
        ...

期待される効果：{期待される改善効果とその根拠}

3.2 {手法 B}

{同じ構成：問題 → 解決策 → コード → 期待される効果}

4. 限界

• {限界 1}：{具体的な説明 + 影響範囲}
• {限界 2}：{具体的な説明 + 影響範囲}
• {限界 3}：{具体的な説明 + 影響範囲}

5. 結論

{主な発見の要約、貢献、意義}

6. 次の実験

E{N}：{実験名}

• 検証対象：H{N}
• 設定の変更：

  {parameter}: {new_value}  # was: {old_value}
  

• 期待される結果：{仮説が正しい場合に予想される結果}

E{N+1}：{実験名}

• 検証対象：H{N+1}
• 設定の変更：

  {config_changes}
  

• 期待される結果：{予測}

参考文献

• {関連論文／資料の一覧}

---

## Workflow Overview

フェーズ 0：差分検出 ├── logs/ をスキャン ├── 既存の study を解析（すでに分析された実験を特定） └── 新しい実験の一覧を作成 → なければ「新しい実験はありません」と出力して終了

フェーズ 1：ファイルの検証 ├── ログファイルの存在を確認 └── study.md を読み込む

フェーズ 2：データ抽出（新規） ├── ログ／W&B ファイルからメトリクスの時系列を抽出 ├── pandas DataFrame に構造化 └── メトリクス：accuracy、loss、ratio、entropy など

フェーズ 3：グラフの生成（新規） ├── scripts/generate_plots.py を呼び出す ├── 学習曲線の比較（Filter OFF 対 ON のスタイル） ├── メトリクストレンド（複数サブプロットのパネル） ├── 条件別の比較チャート └── 出力：figures/ ディレクトリに PNG を保存

フェーズ 4：解釈と執筆（拡張） ├── experiment-interpreter エージェントを呼び出す ├── エグゼクティブサマリーの比較テーブルを作成 ├── 各 Figure の解釈を記述 ├── 改善案セクション（問題 → 解決策 → コード → 期待される効果） ├── 限界、結論、次の実験を記述 └── 執筆品質ループ（80点以上、最大3回反復）

フェーズ 5：検証 ├── experiment-verifier エージェントを呼び出す ├── 数値の正確性を検証 └── 論理的一貫性を検証

フェーズ 6：エクスポート（拡張） ├── Markdown を最終確定 ├── LaTeX に変換し、Figure を含める（scripts/export_latex_pdf.py） ├── PDF を生成 └── フォールバック：scripts/export_pdf.py（従来の pandoc/weasyprint 方式）

---

## Phase 0: Incremental Detection

### Step 0.1: 로그 디렉토리 스캔

1. logs/ ディレクトリ内のすべてのログファイルの一覧を作成

   • パターン：_train.log、_eval.log、.log、.csv（W&B export）
   • ファイルの更新日時で並べ替え

2. 入力されたログファイル一覧と照合

### Step 0.2: 기존 Study 분석

既存の study.md から、すでに文書化された実験を特定します。

1. 実験ヘッダーのパターンを検索：

   • ### E{N}: または ### Experiment:
   • ## Experiment {N}:

2. ログファイルの参照を抽出：

   • [*_train.log:*] 形式の出典表記
   • Source: 列のファイル名

3. 文書化された実験の一覧を作成： documented_experiments = { "evolve_h_only_train.log", "cross_attn_train.log", ... }

### Step 0.3: 새 실험 결정

```python
new_experiments = set(input_logs) - set(documented_experiments)

if len(new_experiments) == 0:
    print("No new experiments to analyze")
    print(f"  Already documented: {len(documented_experiments)} experiments")
    exit()  # 종료
else:
    print(f"Found {len(new_experiments)} new experiment(s) to analyze:")
    for exp in new_experiments:
        print(f"  - {exp}")

---

フェーズ 1：ファイルの検証

ステップ 1.1：ファイルの確認

1. 새 실험 로그 파일 존재 확인
   - 각 log_path에 대해 파일 존재 여부 확인
   - 존재하지 않으면 에러 메시지 출력 후 중단

2. study.md 파일 확인
   - 파일이 존재하면 Read tool로 전체 내용 읽기
   - 파일이 없으면 새로 생성할 것임을 안내

3. 로그 파일 요약 정보 추출 (빠른 스캔)
   - 실험 config 파일 경로
   - 실험 모드 (train/evaluate)
   - 최종 metric 라인 위치

ステップ 1.2：既存の study.md の分析

기존 study.md에서 확인할 사항:
- 이미 기록된 실험 목록
- 비교 가능한 baseline 결과
- 미해결 가설 목록
- 계획된 실험 목록 (이번 실험이 기존 계획에 해당하는지)

---

フェーズ 2：データ抽出

ログファイルと W&B export からメトリクスの時系列データを抽出し、構造化します。

ステップ 2.1：メトリクスの時系列を抽出

1. 로그 파일 파싱
   - 정규표현식으로 epoch/step별 메트릭 추출
   - 패턴 예시:
     - "Epoch {N}: accuracy={X.XX}, loss={X.XXXX}"
     - "Step {N} | train_loss: {X.XXXX} | eval_acc: {X.XX}"
     - W&B CSV: 컬럼 기반 직접 로드

2. W&B API/CSV 지원
   - wandb export CSV 파일 자동 인식
   - 컬럼명 표준화 (step, epoch, metric_name)

ステップ 2.2：pandas DataFrame に構造化

# 추출 결과 구조
import pandas as pd

# 각 실험별 DataFrame
df = pd.DataFrame({
    'step': [...],
    'epoch': [...],
    'train_loss': [...],
    'eval_accuracy': [...],
    'learning_rate': [...],
    'grad_norm': [...],
    # 실험별 추가 메트릭
    'ratio': [...],        # 필터링 비율 등
    'entropy': [...],      # 분포 엔트로피 등
})

# 메타데이터
metadata = {
    'experiment_name': '...',
    'config_path': '...',
    'log_path': '...',
    'total_epochs': N,
    'final_metrics': {
        'accuracy': X.XX,
        'loss': X.XXXX,
    }
}

ステップ 2.3：対象メトリクス

필수 메트릭 (로그에 존재하는 경우):
- accuracy (eval/test)
- loss (train/eval)
- learning_rate
- grad_norm

선택 메트릭 (실험 유형에 따라):
- ratio (필터링 비율, 압축 비율 등)
- entropy (분포 엔트로피)
- perplexity
- BLEU / ROUGE
- custom metrics (로그에서 자동 감지)

---

フェーズ 3：プロット生成

scripts/generate_plots.pyを呼び出して、matplotlib ベースの可視化を生成します。

ステップ 3.1：チャートの種類

1. Training Curve 비교 (필수)
   - X축: epoch 또는 step
   - Y축: loss / accuracy
   - 여러 실험을 한 차트에 오버레이
   - 스타일: "Filter OFF vs Filter ON" 비교 형태
   - 범례, 그리드, 타이틀 포함

2. Metric Trend Panel (필수)
   - Multi-subplot 레이아웃 (2x2 또는 3x2)
   - 각 subplot: 하나의 메트릭 시계열
   - 예: loss, accuracy, grad_norm, learning_rate
   - 실험 간 동일 스케일 사용

3. 조건별 비교 차트 (조건부)
   - Bar chart: 최종 메트릭 비교 (실험별)
   - Grouped bar: 여러 메트릭을 실험별로 그룹화
   - 예: baseline vs proposed 최종 accuracy 비교

4. 분포 차트 (조건부)
   - Histogram: metric 분포 비교
   - Box plot: 실험 간 변동성 비교

ステップ 3.2：スクリプトの呼び出し

python scripts/generate_plots.py \
  --data extracted_metrics.json \
  --output-dir figures/ \
  --experiments "exp1,exp2,baseline" \
  --plots training_curve,metric_panel,comparison_bar

ステップ 3.3：出力

figures/
  ├── training_curve_comparison.png    # Loss/accuracy 비교 곡선
  ├── metric_trend_panel.png           # Multi-subplot 메트릭 패널
  ├── final_metric_comparison.png      # Bar chart 최종 비교
  └── {custom_name}.png                # 실험별 추가 차트

ステップ 3.4：Figure のスタイル基準

# 학술 논문 수준 matplotlib 설정
import matplotlib.pyplot as plt

plt.rcParams.update({
    'figure.figsize': (10, 6),
    'figure.dpi': 150,
    'font.size': 12,
    'font.family': 'serif',
    'axes.labelsize': 13,
    'axes.titlesize': 14,
    'legend.fontsize': 11,
    'xtick.labelsize': 11,
    'ytick.labelsize': 11,
    'axes.grid': True,
    'grid.alpha': 0.3,
    'lines.linewidth': 2.0,
    'figure.constrained_layout.use': True,
})

# 색상 팔레트 (colorblind-friendly)
COLORS = ['#0072B2', '#D55E00', '#009E73', '#CC79A7', '#F0E442', '#56B4E9']

---

フェーズ 4：解釈と執筆

ステップ 4.1：Experiment-Interpreter エージェントの呼び出し

Task tool 사용:
- subagent_type: "experiment-interpreter"
- prompt:

  "다음 실험 로그와 생성된 Figure를 분석하여
   학술 논문 수준의 실험 보고서를 작성해주세요.

  ## 데이터
  {추출된 DataFrame 요약}

  ## 생성된 Figure 목록
  {figures/ 디렉토리의 PNG 파일 목록과 각 차트 설명}

  ## 로그 파일
  {각 로그 파일의 전체 경로}

  ## 기존 study.md 내용 (비교용)
  {기존 study.md의 결과 요약 테이블}

  ## 이전 검증 피드백 (있는 경우)
  {verifier의 feedback_summary - 첫 iteration에는 없음}

  ## 요구사항
  1. Report Template 구조를 따를 것
  2. Executive Summary 비교 테이블 생성
  3. 각 Figure에 대한 구체적 해석 작성
     - 패턴, 추세, 이상점 기술
     - baseline 대비 차이 설명
     - Figure 번호로 참조 (Figure 1, Figure 2, ...)
  4. Implementation Structure 섹션에 핵심 코드 스니펫 포함
  5. Proposed Improvements: Problem → Solution → Code → Expected Effect
  6. Limitations 섹션: 구체적 한계와 영향 범위
  7. Conclusion: 주요 발견 요약
  8. Next Experiments: 가설과 연결된 구체적 계획
  9. 모든 수치에 출처 표기 (source: filepath:L행번호)
  10. 각 가설은 falsifiable + prediction + falsification 포함
  11. 출력은 Report Template 형식의 markdown

  ## 출력 형식
  references/interpretation-template.md 템플릿을 따르되,
  Report Template의 전체 구조에 맞게 확장해주세요."

ステップ 4.2：エグゼクティブサマリーの作成

## Executive Summary

| Task | Key Metric | Baseline | Proposed | Difference |
|------|-----------|----------|----------|------------|
| {각 실험 task별 핵심 비교 결과} |

생성 규칙:
- Baseline은 기존 study에 기록된 vanilla/default 결과
- Proposed는 이번 실험의 결과
- Difference는 절대값 + 방향 (+/-) 포함
- 가장 중요한 메트릭 우선 배치

ステップ 4.3：Figure の解釈の執筆

각 Figure에 대해:

1. Figure 참조 삽입:
   ![Figure N: {descriptive caption}](figures/{filename}.png)

2. 해석 문단 작성 (Topic-First 원칙):
   **Figure N 해석**: {핵심 관찰}. {상세 설명}. {baseline 대비 차이}.
   {가능한 원인/메커니즘 분석}.

3. 해석 품질 기준:
   - 정량적: 수치로 차이를 기술
   - 비교적: baseline 또는 이전 실험과 대비
   - 인과적: 왜 이런 패턴이 나타나는지 가설 제시

ステップ 4.4：改善案の執筆

각 개선안에 대해 4-part 구조:

### 3.N {Method Name}

**Problem**: {실험 결과에서 발견된 구체적 문제}
  - 수치 근거 포함 (source: filepath:L행번호)
  - Figure 참조 포함 (Figure N 참조)

**Solution**: {제안하는 해결 방법}
  - 기존 연구/이론적 근거 제시
  - 구현 방향 설명

```python
# 구현 예시 코드
class ImprovedComponent:
    ...

期待される効果：{期待される改善効果}

• 定量的な予測（例：「accuracy が +2-3%p 向上する見込み」）
• 根拠の説明

### Step 4.5: Writing Quality Loop

작성된 초안에 대해 품질 평가 수행:

評価基準（references/quality-criteria.md を参照、重みを更新）：

1. 定義優先（25点）

   • すべての専門用語が「X is Y」の形式で定義されているか？
   • 新しい概念が使用前に定義されているか？

2. トピック先行の段落（20点）

   • すべての段落が主要な結果や主張から始まっているか？
   • 最初の文を読むだけで、段落の内容を把握できるか？

3. 比較と対照（15点）

   • 新しい結果が以前の実験と比較されているか？
   • 違いの原因や解釈が示されているか？

4. 洞察の深さ（15点）

   • 表面的な記述にとどまらず、「なぜ」について分析しているか？
   • 予想と異なる結果について仮説が立てられているか？

5. 形容詞の最小化（5点）

   • 不要な修飾語がないか？
   • 主観的な表現の代わりに具体的な数値を使用しているか？

6. Figure の品質（10点）[NEW]

   • すべての Figure に解釈の段落があるか？
   • Figure のキャプションが内容を正確に説明しているか？
   • 本文から Figure が正しく参照されているか？

7. 次のステップの明確さ（10点）[NEW]

   • 次の実験が仮説と明確に結び付いているか？
   • Config の変更内容が具体的か？
   • 予想される結果と根拠が示されているか？

合計：/100 合格基準：>= 80点

### Step 4.6: Revision (점수 < 80인 경우)

1. [Critical: Definition Missing]

   • 未定義の用語一覧を作成
   • 各用語に「X is Y」形式の定義を追加

2. [Critical: Topic-Last Paragraph]

   • 段落を再構成：要点 → 説明 → 根拠の順にする

3. [Warning: No Comparison]

   • 以前の実験との比較テーブルを追加
   • 違いを分析する段落を追加

4. [Warning: Shallow Insight]

   • 「なぜこのような結果になったのか？」という分析を追加
   • 仮説を強化

5. [Minor: Excessive Adjectives]

   • 「大幅に改善」→「+12.5%p」
   • 「はるかに高速」→「2.3x speedup」

6. [Warning: Figure Without Interpretation]

   • 解釈のない Figure に解釈の段落を追加
   • キャプションが不正確な場合は修正

7. [Warning: Vague Next Steps]

   • 仮説との関連を明確化
   • Config の変更内容を具体化

### Step 4.7: Iteration Control

最大反復回数：3回

反復 1：草案 → 品質評価 → 修正（必要な場合） → Score >= 80：フェーズ 5 に進む → Score < 80：フィードバックを収集

反復 2：修正版 → 再評価 → Score >= 80：フェーズ 5 に進む → Score < 80：フィードバックを収集

反復 3：最終修正版 → 再評価 → Score >= 80：フェーズ 5 に進む → Score < 80：現時点で最善のバージョンで進み、問題を報告

---

## Phase 5: Verification (experiment-verifier)

### Task Tool 호출

Task ツールを使用：

• subagent_type: "experiment-verifier"

• prompt:

  "次の study.md の更新内容を検証してください。

  検証対象（新しく追加されたセクション）

  {フェーズ 4 で作成した内容}

  元のログファイルのパス

  {各ログファイルの完全なパス}

  既存の study.md（変更の有無を確認するため）

  {既存の study.md の内容}

  生成された Figure の一覧

  {figures/ ディレクトリの内容}

  検証要件

  1. すべての数値を元のログと照合（ファイルと行を直接確認）
  2. エグゼクティブサマリーのテーブルの数値の正確性
  3. Figure の解釈が実際のデータと一致しているか確認
  4. 解釈の論理的妥当性を検証
  5. すべての仮説が反証可能か確認
  6. 次の実験の実行可能性を確認
  7. 既存の結果が変更されていないか確認
  8. コードスニペットの構文の正確性

  出力

  JSON 形式の検証レポートを返してください。"

### 결과 처리

```python
if verdict == "PASS":
    # Phase 6로 진행
elif iteration < 3:
    # feedback_summary를 Phase 4로 전달
    # interpreter에게 수정 요청
else:
    # 최대 반복 도달
    # 현재 최선 버전 저장
    # 미해결 이슈 사용자에게 보고

---

フェーズ 6：エクスポート

ステップ 6.1：Markdown の確定

1. study.md 최종 내용 저장
2. [NEW] 태그가 포함된 섹션 확인
3. Figure 참조 경로 검증 (figures/*.png 존재 확인)
4. 상대 경로 정규화

ステップ 6.2：LaTeX 変換と PDF 生成（優先方式）

# scripts/export_latex_pdf.py 사용 (Figure 포함 LaTeX 변환)
python scripts/export_latex_pdf.py \
  study.md \
  study.pdf \
  --figures-dir figures/ \
  --template academic

기능:
- Markdown → LaTeX 변환
- Figure 자동 삽입 (\includegraphics)
- 학술 논문 레이아웃 (twocolumn 옵션 가능)
- TOC (Table of Contents) 포함
- [NEW] 태그 시각적 강조
- 테이블 포맷팅 (booktabs 스타일)
- 코드 블록 문법 강조 (listings/minted)
- 참고문헌 섹션

ステップ 6.3：フォールバック PDF 変換

# LaTeX 변환 실패 시 기존 방식 사용
python scripts/export_pdf.py study.md study.pdf

Fallback 순서:
1. scripts/export_latex_pdf.py (LaTeX + Figure, 최상의 품질)
2. scripts/export_pdf.py → pandoc + LaTeX (Figure 수동 포함)
3. scripts/export_pdf.py → weasyprint (HTML 기반)
4. Markdown만 저장 (PDF 변환 실패 시 경고)

ステップ 6.4：完了報告

Update Complete!
  Markdown: study.md
  PDF: study.pdf
  Figures: figures/ ({N}개 PNG)
  New experiments: {N}개
  Writing quality: {score}/100
  Hypotheses: {N}개
  Next experiments: {N}개

---

ドキュメント更新ルール

追記のみの原則

1. 追記のみ：既存の内容の後に新しいセクションを追加します。既存の内容は変更しません。
2. [NEW] タグ：新しく追加した実験に [NEW] タグを付けます（次回の更新時に削除）。
3. 区切り線：新しい実験の前に --- の区切り線を挿入します。
4. 日付の記載：実験の実行日（ログのタイムスタンプに基づく）。
5. 一貫したフォーマット：Report Template と references/interpretation-template.md に従います。

[NEW] タグの処理

---

### [NEW] Experiment: {experiment_name} ({YYYY-MM-DD})

...

次回の /update-study 実行時：

1. 以前に追加された [NEW] タグをすべて削除
2. 新しく追加するセクションにのみ [NEW] タグを付与

---

進捗報告

実行中、ユーザーに状況を報告します：

[Phase 0] Incremental Detection...
  Scanned logs/: {N}개 파일
  Already documented: {M}개 실험
  New experiments: {K}개 발견

[Phase 1] File Verification...
  로그 파일 확인: {K}개
  study.md 읽기 완료

[Phase 2] Data Extraction...
  메트릭 추출: {N}개 시계열
  DataFrame 구조화 완료
  메트릭 종류: accuracy, loss, grad_norm, ...

[Phase 3] Plot Generation...
  Training curve comparison: figures/training_curve_comparison.png
  Metric trend panel: figures/metric_trend_panel.png
  Final metric comparison: figures/final_metric_comparison.png
  총 {N}개 Figure 생성

[Phase 4] Interpretation + Writing...
  Executive Summary 생성 완료
  Figure 해석 작성: {N}개
  Proposed Improvements: {N}개
  → Writing Quality Loop:
    Iteration 1: Score 72/100
      - Critical: Definition missing (2)
      - Warning: Figure without interpretation (1)
    Iteration 2: Score 85/100
      All critical issues resolved

[Phase 5] Verification...
  → Numerical: {verified}/{total}
  → Logic: {sound}/{total}
  → Figure consistency: {matched}/{total}
  → Verdict: PASS

[Phase 6] Export...
  LaTeX 변환 완료
  PDF 생성 완료: study.pdf

Complete!
  - New experiments: {experiment_names}
  - Writing quality: {score}/100
  - Figures: {N}개
  - Hypotheses: {N}개
  - Next experiments: {N}개

---

品質基準の概要

基準	重み	説明
定義優先	25点	用語を100%定義し、「X is Y」の形式にする
トピック先行	20点	90%の段落を要点から始める
比較と対照	15点	比較テーブルと違いの分析が必須
洞察の深さ	15点	「なぜ」の分析とメカニズムの仮説を含める
形容詞の最小化	5点	数値に基づく表現を使い、形容詞を最小限にする
Figure の品質	10点	Figure の解釈、キャプション、参照の関連付け
次のステップの明確さ	10点	仮説との関連、config の具体性、予測

総合合格基準：>= 80点

---

Additional Resources

• references/interpretation-template.md - 실험 해석 템플릿
• references/quality-criteria.md - 글 품질 평가 상세 기준
• scripts/generate_plots.py - matplotlib 기반 차트 생성 유틸리티
• scripts/export_latex_pdf.py - LaTeX 변환 + Figure 포함 PDF 생성
• scripts/export_pdf.py - PDF 변환 유틸리티 (Fallback)

---

Cautions

1. 로그 파일이 ground truth: 로그에 없는 수치는 사용 불가
2. Append Only: 이전 결과를 절대 수정하지 않음
3. 매 수치에 출처: (source: filepath:L행번호) 필수
4. 가설은 falsifiable: 검증 불가능한 가설은 삭제
5. 최대 3회 반복: Writing Quality Loop + Verification 각각 최대 3회
6. 새 실험 우선: 이미 문서화된 실험은 자동 스킵
7. [NEW] 태그: 새 추가분 명확히 표시
8. Figure 필수: 모든 실험 보고서에 최소 1개 이상의 Figure 포함
9. 코드 스니펫 검증: Implementation/Improvements 코드는 문법 정확성 확인
10. LaTeX 호환성: Markdown 내 특수문자 이스케이프 확인 (_, %, #, & 등)