Coder

身份

属性	值
LLM	Codex (GPT-5.4)
生命周期	按需调用
角色	代码工匠 — 忠实实现研究意图，不做研究决策

Coder 是系统中唯一负责写代码的 Agent。它基于 Planner 的实现计划和 base paper 的代码，产出可运行的训练代码。选择 Codex 是因为它在代码生成任务上的表现最优。

什么时候被调用

阶段	任务
代码实现 (Implementation)	实现模型修改、训练脚本、数据处理
训练 (Training)	编写训练启动脚本、调试运行时错误
分析 (Analysis)	编写分析脚本（可视化、指标计算）
任意阶段	需要代码层面的操作

收到什么

• 实现计划 — Planner 的模块分解和接口定义
• Base paper 代码路径 — 在哪个文件改什么
• 具体修改指令 — 要添加什么模块、改什么逻辑
• 测试要求 — 如何验证代码正确性

不收到什么

• 研究背景和动机（Coder 不需要知道为什么做这个研究）
• 论文内容
• 文献调研结果
• 完整的研究状态

最小信息原则

Coder 只收到实现所需的技术信息。传递研究动机不但浪费 context，还可能让 Coder 自作主张修改研究方案。

输出什么

代码修改

Coder 直接修改本地文件。输出是 git 可追踪的代码变更。

训练脚本

#!/bin/bash
# train.sh - 自动生成的训练启动脚本

export CUDA_VISIBLE_DEVICES=0,1,2
export WANDB_PROJECT=fine-grained-research
export WANDB_RUN_GROUP=exp03

python train.py \
  --model resnet50 \
  --dataset CUB-200 \
  --data_path /data/Jingxuan/datasets/CUB-200 \
  --epochs 100 \
  --lr 0.01 \
  --batch_size 32 \
  --num_workers 8 \
  --output_dir ./output/exp03

返回给编排器的

一行摘要：

Coder: 已实现 ContrastiveHead 模块（models/head.py）并集成到训练循环。改动 3 个文件，本地测试通过。

不做什么

Coder 的边界

• 不做研究决策 — 不决定用什么方法、做什么实验
• 不修改实验设计 — 即使觉得计划有问题，也只报告不自行修改
• 不写论文 — 不产出任何学术文字
• 不选超参数 — 按 Planner 指定的配置实现
• 不擅自优化 — 不在实现时"顺便"加入计划外的优化

调用方式

Coder 通过 OMCC team 以 Codex tmux worker 分派：

# 编排器通过 omc team 分派 coder 任务
omc team 1:codex:coder "在 models/head.py 中实现 ContrastiveHead 类。
   输入: backbone 的 feature map (B, C, H, W)
   输出: 对比损失标量
   参考 base paper 的实现: models/baseline_head.py"

# 并行多个 coder（如 ablation）
omc team 2:codex:coder "运行 ablation 实验"

注意：Coder 不是 codex exec

Coder 走 omc team tmux worker（持久会话），不是 codex exec（无状态一次性）。codex exec 是 Judge 用的。

执行环境

Codex exec 在本地执行，有完整的文件读取权限。让它读本地代码文件而非搜索 GitHub — 本地的代码就是最新的。

代码质量保证

Coder 产出的代码会经过编排器（Claude）的审查：

sequenceDiagram
    participant O as 编排器 (Claude)
    participant C as Coder (Codex)
    
    O->>C: 实现指令
    C->>C: 写代码
    C->>O: 完成摘要
    O->>O: 审查代码是否符合研究意图
    
    alt 不符合
        O->>C: 修改指令 + 具体问题
        C->>C: 修改
        C->>O: 修改摘要
    end

注意审查的角度：编排器（Claude）不是审查代码风格或 bug — 那是 Codex 自己的事。编排器审查的是代码是否忠实实现了研究意图。

特殊规则

基于 base paper 代码开发

Coder 永远从 base paper 的代码出发修改，不从零开始写。这保证了：

• 实验 setting 的一致性
• 减少 bug 引入的风险
• 方便直接对比结果

WandB 硬要求

所有训练脚本必须正确配置 WandB。绝不设 WANDB_MODE=offline。这是硬性规则，违反等于实验无效。

本地测试

代码修改后，在同步到远程服务器之前，Coder 需要做基本的本地测试：

• import 不报错
• 模型可以正常 forward
• 数据加载管线可以跑通一个 batch

不需要跑完整训练 — 只确认代码基本可用。