语言 / Language: 中文为主 · English README
Purpose: NATIVE AI · Maturity: APPLIED INTERNAL · Evidence: MULTI-PROJECT EXPERIENCE
属于 TopPrism Native AI — 让组织级机器学习能力在跨项目实践中持续复利的工程体系。
竞赛只是可量化、可快速反馈的学习环境；最终目标是覆盖更广泛的企业机器学习工作。
English Version | 英文版
大多数 ML Agent 在组织维度是无状态的：每个新项目几乎都从与上一个项目相同的通用模型知识开始。
TopPrism 的目标不同：
每一个完成的 ML 项目，都应让 Agent 在下一个 ML 项目里更强。
项目把反复的实践沉淀成可复用的组织能力 —— 通过知识结晶、结构化 Skills、共享 MLOps 框架与显式评估。
输入 → 决策/能力 → 输出：
真实 ML 项目
↓
实验 & 失败记录
↓
经过验证的经验
↓
知识结晶（Knowledge Crystallization）
↓
可复用 Skill / 框架模式
↓
在后续项目中自动激活
↓
下一个 ML 项目的更好起点
关键产出不仅是训练好的模型或排行榜分数，更是一份机器可读、可复用的 ML 能力清单。
TopPrism 用 Native AI 在 Customer Decision Intelligence 之外构建第二条复利闭环：
客户项目产生经验
↓
经验成为可复用的机器知识
↓
内部 Agent 能力提升
↓
下一个客户 / 内部项目以更强的起点开始
关联 TopPrism Native AI 项目：
agent-nurture-framework— 项目驱动的 Agent 能力培养方法论skill-tester— Skill 质量与触发评估闸门notebook-knowledge-distillation— 外部知识 → 经验证 Skill 的流水线three-layer-wisdom-extraction— 把项目经验提升为领域知识与跨领域原则
这是 跨多个任务族、跨多月的纵向证据，而不是单一排行榜分数：
- 当前
skills/examples/下有 63 份SKILL.md（机器可数：git ls-files skills/examples | grep SKILL.md）—— 覆盖时间序列、表格预测、视觉、医学影像、音频、博弈/游戏 AI、模型压缩、LLM 推理等任务族 - 9 份独立的竞赛/项目文档位于
docs/ml-agent-memory/competitions/（House Prices、S6E2/3/4/5/6/7、Store Sales、Jaguar Re-ID、Rainfall 等） - 16 份领域教训文档位于
docs/ml-agent-memory/lessons/ - 后续项目复用前期项目抽取的 Skill 和 framework 组件
- 失败路径作为"负面知识"被保留而非删除
- 共享框架与 Agent 指令显著减少每次需要重新发明的工作量
- 竞赛名次 ≠ 项目成功的定义。Kaggle 等环境有用是因为反馈快、可量化，但目标能力是 Agent 通过任何充分仪器化的 ML 项目都能提升
- 历史观察（如"time-to-strong-result 显著缩短"）是纵向案例证据，不是"每个未来 ML 任务都会按相同倍数改善"的普适保证
120+ skills这一历史数字与当前仓库不一致；当前实际为 63（GitHub Tree API 验证）
ML Agent
│
┌──────────────┼──────────────┐
│ │ │
Project Context Skill Library Shared Framework
│ │ │
└──────────────┼──────────────┘
↓
Experiment Loop
↓
Evaluation / Evidence
↓
Knowledge Crystallization
↓
Updated Agent Capability
关键仓库区域：
AGENTS.md Agent 操作指令
framework/ 可复用 ML / MLOps 框架组件
skills/ 结晶的可复用能力
ml-agent-code-template/ 新 ML 项目的起始结构
templates/ 可复用项目制品
docs/ 方法论与累积知识
examples/ worked examples
tests/ 共享组件检查
项目遵循 Nurture-First 原则：
不要尝试一次性编码完整 ML 剧本。让真实项目暴露能力缺口、解决问题、验证方案，再把可复用的部分结晶下来。
典型学习循环：
学习 (理论) → 验证 (Notebook) → 应用 (项目) → 提取 (结晶) → 规划 (差距分析)
这区分了推测性知识和经过实际使用存活下来的知识。
- ❌ 不是单一 AutoML 模型
- ❌ 不是仅供 Kaggle 使用的 Agent
- ❌ 不是静态 prompt 集合
- ❌ 不主张"累积的 Skills 消除了项目特定推理的需要"
把本仓库当作项目操作系统使用，而不仅仅是代码库：
- 读
AGENTS.md - 从
ml-agent-code-template/启动新 ML 项目 - 复用
framework/，不要重建常见 MLOps 管线 - 从 Skill 库激活相关 Skill
- 记录实验与失败
- 项目结束后，只把经过验证的可复用知识结晶下来
| # | 项目 | 领域 | 来源文档 |
|---|---|---|---|
| 1 | Kaggle S6E2 | 表格 | docs/ml-agent-memory/competitions/s6e2.md |
| 2 | Kaggle S6E4 | 时空图 | docs/ml-agent-memory/competitions/s6e4.md |
| 3 | Kaggle S6E5 | 表格 | docs/ml-agent-memory/competitions/s6e5.md |
| 4 | Kaggle S6E6 | 表格 | docs/ml-agent-memory/competitions/s6e6.md |
| 5 | Kaggle Store Sales | 时序 | docs/ml-agent-memory/competitions/store-sales.md |
| 6 | Jaguar Re-ID | 计算机视觉 | docs/ml-agent-memory/competitions/jaguar-reid.md |
| 7 | Bank Dataset | 表格 | docs/ml-agent-memory/competitions/bank-dataset.md |
| 8 | Rainfall Dataset | 表格 | docs/ml-agent-memory/competitions/rainfall-dataset.md |
| 9 | Playground s6e7 | 表格 | docs/ml-agent-memory/competitions/index.md |
实际项目经验（README 历史 changelog 中记录的）还覆盖：House Prices、Spaceship Titanic、WorldQuant Brain Alpha、AIMO3、Vesuvius Challenge、BirdCLEF+ 2026、March Madness 2026、ISEC 2026、PTCG AI Battle、NeuroGolf 2026、ROGII Wellbore、Biohub Cell Tracking、nnU-Net Medical 等。具体方法论与 LB 数字以各自项目文档与对应 Skill 为准。
对照计划基线 v0.1 完成六阶段本体化升级。门禁状态与证据：docs/gates/GATE-STATUS.md（G0–G5 逐门）。
- P0 — 跨仓库职责与禁区成文（
docs/adr/ADR-001）；兼容性 BOM 全依赖锁定（docs/ontology/compatibility.bom.yaml）；ML Profile 0.1.0 草案（局部命名空间，docs/ontology/ml-profile/0.1.0/） - P1 — ExperimentIR 契约：六硬门 + content_hash + 拒载（
docs/specs/SPEC-001，tests/test_experiment_ir.py） - P2 — 确定性复演：双跑同哈希 + golden 回归（
docs/specs/SPEC-003，tests/test_replay_reproducibility.py） - P3 — DecisionTrace：状态机 + 四眼原则 + 负例拒绝 + 防篡改链（
docs/specs/SPEC-004/SPEC-005、docs/adr/ADR-002，tests/test_decision_trace.py+tests/test_decide.py） - P4 — 跨域估计交换：四列分列报告 + 适配器零求解器依赖 + 真求解器往返真验（
docs/specs/SPEC-006，tests/test_cross_domain_report.py+tests/test_adapters_pjp.py） - P5 — 治理双线：8 项共享核心净新增概念以提案批次草案上推（
docs/ontology/proposals/ml-core-batch-001/，status: draft，未提交上游）；晋级门禁（预注册阈值，禁止自动晋升）由upgrade/p5-governance分支落地（G4 现状与转入条件见 GATE-STATUS）
版本号说明：pyproject 自 0.8.4 修正至 0.11.0 —— 仓库历史已发布 v0.9.0 / v0.10.0 里程碑而 pyproject 未随动，本次对齐，非新增功能版本。
新增 3 个 skills（基于零售 SKU 推荐项目实战经验）：
time-series-walk-forward-validation— 时间序列项目标准评估规范cross-competition-feature-transfer— 跨竞赛特征迁移方法论feature-engineering-saturation-detection— "特征工程已饱和"的 4 个判断信号
新增 3 个 skills：autogluon-first、catboost-first-tabular、cv-lb-gap-acknowledgment。
新增 ml-agent-code-template/（9 hooks, 6 commands, 2 agents），在 8 个 MLE-Bench 竞赛中验证（6 Gold, 2 Silver）。
- 仓库 About 描述中"120+ skills, 13 projects, 2 months"为早期版本数字；当前事实是 63 skills（机器可数）、4+ months、9 份正式 competition docs
- 任何项目 LB / 排行分数只在对应项目与对应协议下成立；不可作为"通用 ML Agent 能力"的直接证据
- Skills 累积不替代项目特定推理；新问题仍需要人工判断哪些 Skill 真正适用
- 失败经验作为负面知识保留，但并不自动防止在未来项目里重复同一类错误；交叉 Skill 触发的可靠性仍取决于 skill-tester 的评估
agent-nurture-framework— 项目驱动的 Agent 能力培养方法论（Pin 仓库）skill-tester— Skill 质量与触发评估闸门notebook-knowledge-distillation— 外部知识 → 经验证 Skill 流水线three-layer-wisdom-extraction— 项目经验 → 领域知识 → 跨领域原则
cultivating-ml-agent/
├── README.md # 本文件（中文旗舰）
├── README_EN.md # 英文旗舰
├── AGENTS.md # 自主 Agent 指令
├── LICENSE # MIT
├── CONTRIBUTING.md
├── docs/ # 方法论与累积知识
│ ├── cultivating-ml-agent-expert.md
│ ├── framework/
│ └── ml-agent-memory/ # 项目案例、教训、原则
├── framework/ # 可复用 ML / MLOps 框架
├── skills/examples/ # 63 份 SKILL.md
├── ml-agent-code-template/ # Claude Code 起始模板
├── templates/
├── examples/
└── tests/
MIT — 详见 LICENSE。
详见 CONTRIBUTING.md。