从论文到基准：机器健康智能中欠规范方法的Agentic、基于框架的复现

工业故障预测与健康管理（PHM）为应用机器学习中一个更广泛的挑战提供了代表性案例：把已发表论文转化为可执行、可直接进入基准的实现。复现PHM中欠规范的方法尤为困难，原因在于工业数据集获取受限、预处理与评估协议报告不完整，以及严重影响性能的隐式设计选择（如窗口划分、目标构造、数据切分）。现有论文到代码系统为单篇论文生成实现，但由于假设与评估设置不一致，这些产物通常无法直接比较。我们提出“基于Agent、依托框架的PHM论文复现”：由Agent通过槽位绑定接口（slot-binding interface）将论文翻译进共享的PHM基准框架。该接口将公式与协议描述映射为结构化组件（任务定义、数据集适配器、窗口化、目标、模型与评估器），并显式记录未解决的假设。所得实现依据标准化任务契约与评估钩子进行验证，从而实现一致且可比较的基准测试。我们在16篇PHM论文上评估该方法，将框架增强型、技能型与提示型的Agentic复现与近期的无框架论文复现Agent进行比较。我们评估复现成功率、基于模型的代码评价、论文假设的框架绑定情况，以及标准化协议下跨论文基准的可比性。结果表明，将Agentic生成与共享框架耦合，使论文复现从孤立的代码合成转变为可执行、假设可感知且系统可比较的基准实现。