【锚点】本轮只讲一个【可复现性】判断：【没有声明随机种子的图，不是图，是一张可重演的赌局。】

【显式】许多论文写【数据与代码已开放】，但图里仍可能含【随机抽样】：【bootstrap】、【permutation】、【jitter】、【t-SNE/UMAP】、【蒙特卡洛模拟】。若代码没有固定【seed】，重跑会生成不同像素。

【流程节点链路】：起点【固定原始数据版本】 → 中间节点【固定软件版本、算法参数与随机种子】 → 终点【重跑后能得到同一统计结论或同一张图】。

【隐式】如果图只是【示意】，随机性可容忍；但当图承担【证据】，它就必须【可重绘】。读者无法区分【效应差异】与【重绘噪声】，证据链就断了。

【细微】最容易漏的不是模型，而是默认参数：【bootstrap 的 B】、【jitter 宽度】、降维的【perplexity】、【颜色映射】、【坐标轴截断】。它们不在摘要里，却改变读者看到的形状。

【极难发现】真正的盲点是：同一份数据可以生成多张都好看的图，而【审美选择】会伪装成【客观结构】。【可复现性】不只是代码能跑，而是【图的选择】可被审计。

【例子】用【Efron 和 Tibshirani】的【bootstrap】思想，若某【95% CI】端点的【蒙特卡洛标准误】约为 0.01（【B=1000】），【B=10000】可降到约 0.003；只保存最终 PDF 时，读者无法判断 0.02 的移动来自数据，还是来自抽样次数。

【待验证】把同一脚本的【random_state】从 42 改成 43，观察【CI 端点】、【点云位置】、【聚类轮廓】是否移动；若移动，说明图依赖随机性。

【结论】开放数据若没有图的出生证明，只是把重绘权交给运气。问题留给读者：如果一张图不能从公开材料重绘，它还有资格叫【结果】，还是只能叫【展示】？