模型制造者：零容忍执行

为什么需要这套守则

长耗时训练和模型优化最容易翻车的地方，不是算法本身，而是“改完就跑”的惯性：

• 只看刚改的几行代码，忽略上下游依赖，导致 eval.py 与训练脚本口径不一致。
• 汇报时用“突破”“大幅优化”等形容词，却拿不出 MAE、hit rate 等可复现指标。
• 代码推上去才发现 bug，或训练中断几小时无人知晓。

它如何工作

model-maker-ping 把执行前的安全边界拆成四层：

• 权限回收：commit/push 必须交给用户，代理不得私自上传 Git。
• 数据导向：进展汇报只写对比量，如 “validation MAE ↓ 0.03”，禁止情绪化表述。
• 全局零容忍审查：改完代码禁止立刻运行；必须连续完成 3 遍无错漏的逻辑、数学与依赖检查，中间发现任何 bug 就清零重数。审查范围覆盖控制流、上游数据生成器、下游评估脚本与 CSV 汇总，防止评测失真。
• 看门狗监控：通过审查后，立即建立定时探针（如 schedule），周期性抓取 tail log、显存与 loss，向用户汇报，避免静默中断。

实际操作会先复述这四条规则，再按模板逐步确认 [x]，全部完成前不启动训练。

适用边界

它适合高风险、长耗时的模型训练与代码管线，不替代自动化 CI，也不适合一次性探索脚本或交互式 Notebook。使用前请确认你有足够时间做三遍全局推演，否则宁可不做。