以下为拟议的公开版边界，不代表已经发布。只展示可独立复现的通用方法，不包含专有数据或业务系统。
可信的因果模型评估
评估处理效应的排序与估计质量；把数据切分、重叠性诊断和指标定义作为实验的一部分。
首版：独立评估器、指标测试、合成真值与固定数据划分。多目标模型、通用 DGP 和局部残差校正先作为实验模块；没有可复现证据时，不声明优于基线。
研究笔记选题 · 拟写
拟写内容：区分目标人群、估计量、随机基线和归一化口径；以可计算的小例子说明不应直接横比不同评估协议。此处为选题摘要，尚非已发表文章。
从知识到可检验的增益
研究事实、决策逻辑和约束如何被检索、组合与验证，以及有限预算下的知识选择。
首版：开放任务、可授权知识集合、无知识/随机/检索/学习路由基线，以及成本和稳定性报告。LLM→DSL 保留为研究模块，不把输出一致性等同于推理过程忠实。
研究笔记选题 · 拟写
拟写内容：知识冗余、冲突与选择成本；比较预算相同的检索、规则和学习路由，而非仅比较上下文长度。此处为选题摘要。
有边界的生成与审计
分离生成、审查与执行，把停止条件、实验记录和验证证据变成可检查的工程接口。
首版：离线 mock 演示、确定性测试、受限迭代、停滞退出与审计日志。默认不注册用户级 Hook，不运行外部训练，不自动发送消息。
研究笔记选题 · 拟写
拟写内容：独立性边界、测试契约、失败保留和预算停止；展示怎样区分通过测试与证明科学结论。此处为选题摘要。
我的研究兴趣位于机器学习、因果推断与知识系统的交叉处。相比堆叠模型，更关心问题定义、实验边界，以及结果是否能够被他人重复验证。
这里记录通用方法与公开实验的探索。具体项目的实现、许可证和验证状态，以正式公开的仓库为准。
保留学习路径，不作为当前成熟度或原创成果的证明；尚未重新复现。