根据搜索结果和论文内容，给你一个清晰的现状判断和 actionable 的建议。

---

一、AutoSOTA 开源现状

GitHub 仓库已开源，但开源的是「优化结果 leaderboard」，不是完整的系统代码。

• 仓库里有 105 篇论文的优化报告（OPTIMIZATION.md），详细记录了每篇论文的改进点（如超参调整、架构修改、bug 修复等）
• 但核心的 8-agent 自动化流水线、代码解析引擎、实验调度系统等并未开源
• 论文提到这是一个端到端系统，平均优化一篇论文约需 5 小时，涉及环境修复、长期实验跟踪、防虚假提升验证等复杂机制

结论：你无法直接下载 AutoSOTA 系统来跑，但可以从它的方法论中提炼出一套适合个人研究者的「轻量级复现方案」。

---

二、你该做什么？两条路径对比

路径	是什么	难度	适合谁	你的情况
A. 写 Skills / Prompts 喂给 AI	为 Claude Code / Codex 设计结构化指令模板（如"论文复现专家"、“实验优化顾问”），让 AI 按固定流程帮你改代码	⭐⭐ 低	个人研究者，想快速上手	✅ 最适合你
B. 构建 Multi-Agent 系统	像 AutoSOTA 论文那样，写代码实现 8 个专门 agent，让它们自动协作完成论文→代码→实验→反思的全流程	⭐⭐⭐⭐⭐ 极高	有工程团队的实验室	不推荐个人做

你的答案：不要从零构建 agent 系统，而是写高质量的 Skills / Prompts，把 Claude Code 当作「执行层」，Kimi 当作「分析层」，Codex 当作「编码辅助层」。

---

三、具体怎么做？（基于你现有的三大会员）

核心思路：三层分工

工具	角色	在 AutoSOTA 中对应
Kimi	论文解析与策略制定	Paper Grounding Agent + Ideation Agent
Claude Code	代码执行与环境操作	Execution Repair Agent + Experiment Tracker
Codex	快速代码生成与补全	Code Generation Agent

可立即执行的 5 步工作流

Step 1：用 Kimi 做「论文深度解析」

把目标论文的 PDF 喂给 Kimi，要求它输出结构化分析报告：

请分析这篇论文，并按以下格式输出：
1. 核心贡献与关键算法/架构
2. 实验设置（数据集、指标、超参）
3. 代码仓库地址与依赖要求
4. 潜在的改进方向（至少5个）：超参调优、架构微调、训练策略、数据增强、推理优化
5. 可能存在的实现陷阱或bug

为什么用 Kimi：长文本能力强，适合处理论文 + 代码仓库 README 的长上下文。

Step 2：用 Claude Code 做「环境搭建与基线复现」

在 VSCode 中打开论文代码仓库，用 Claude Code 执行：

# 让 Claude Code 自动分析并修复环境
"分析这个仓库的依赖，创建 conda 环境，安装所有依赖，运行基线实验，记录初始指标"

Claude Code 的优势是可以直接执行终端命令、修改文件、查看报错并修复。这对应 AutoSOTA 中的环境修复 agent。

Step 3：写 Claude Code Skills（最关键）

在 VSCode 的 Claude Code 中配置自定义 skills，把 AutoSOTA 的优化逻辑变成可复用的 prompt：

示例 Skill：/experiment-optimizer

你是一个深度学习实验优化专家。当前任务：改进 {论文名} 的代码以提升 {指标}。

请按以下流程执行：
1. 先阅读当前代码的 config.py / args.py，理解现有超参
2. 提出3个具体的修改方案（附理由），等待我确认
3. 执行修改后运行实验
4. 对比基线与修改后的指标
5. 如果指标下降，自动回滚并分析原因
6. 重复直到指标提升 ≥ {目标百分比}

约束：
- 每次只改一个变量，便于归因
- 优先尝试：学习率调度、batch size、正则化强度、激活函数、优化器
- 禁止修改数据路径和硬件相关代码

如何配置：Claude Code 支持自定义 slash commands 和 system prompts，你可以把上述内容写成 markdown 文件放到 .claude/skills/ 目录下。

Step 4：用 Codex 做「快速代码 patch 生成」

当需要实现某个具体改动时（如"把 ReLU 换成 SiLU"），用 Codex 快速生成代码：

# 在 Codex 中输入
"在以下文件中，把所有 nn.ReLU() 替换为 nn.SiLU()，并确保 inplace 参数保持一致"

Codex 擅长精准的代码编辑，可以作为 Claude Code 的补充。

Step 5：建立「实验日志与防虚假提升」机制

这是 AutoSOTA 强调的关键。用 Kimi 帮你做验证：

当前实验结果：基线 accuracy 0.852，修改后 0.871。
请帮我检查：
1. 这个提升是否统计显著？（建议用多次随机种子验证）
2. 是否存在数据泄漏？（如测试集参与了训练）
3. 是否只是过拟合？（对比训练集与验证集差距）
4. 给出下一步实验建议

---

四、进阶：从 “Skills” 到 “轻量 Agent”

当你把上述流程跑通 3-5 篇论文后，可以进一步把 skills 串联成半自动化脚本：

# 伪代码示例：轻量级 AutoSOTA
class PaperOptimizer:
    def step1_parse_paper(self, pdf_path):
        return kimi.analyze(pdf_path)  # 返回改进建议
    
    def step2_setup_env(self, repo_url):
        return claude_code.execute(f"clone {repo_url} && setup env")
    
    def step3_run_baseline(self):
        return claude_code.run_experiment()
    
    def step4_iterate(self, ideas):
        for idea in ideas:
            patch = codex.generate_patch(idea)
            claude_code.apply_patch(patch)
            result = claude_code.run_experiment()
            if result.improved:
                break
        return result

但这已经属于脚本编排，不是完整的 agent 系统。对个人研究者来说，写好 prompts/skills 比写 agent 框架更重要。

---

五、总结建议

1. 不要试图复现 AutoSOTA 的完整 8-agent 系统（工程量太大，且核心代码未开源）
2. 重点投资 Claude Code 的 Skills 设计——这是你的「执行自动化」核心
3. 用 Kimi 做论文理解和策略制定——利用其长上下文优势
4. 用 Codex 做精准代码编辑——辅助 Claude Code 的批量操作
5. 从 AutoSOTA 的 105 篇优化报告中学习技巧——直接看那些 OPTIMIZATION.md，里面全是真实的改进案例（如"把 n_iter_test 从 50 降到 10"、"把 ReLU 换成 SiLU"等），这些是你写 skills 的绝佳素材

下一步行动：选一个你有兴趣的论文（建议从 AutoSOTA leaderboard 里挑一个已有优化报告的，如 PINet 或 TSRAG），用上述 5 步流程手动跑一遍，过程中逐步完善你的 Claude Code skills。跑通后，你就拥有了一套个人版的 “AutoSOTA Lite”。