【锚点】这一讲拆一个【基金写作】与【可复现性】共同踩中的默认：【方法引用】不等于【方法适配】；引用把【方法责任】部分委托给原作者，但不把【失效条件】一起打包。

【流程节点链路】：【识别承重方法引用】→【拆出原方法适用条件】→【比对当前数据/干预/测量】→【标注可能失效条件】→【设计外部验证节点】→【写明可验收降级标准】。

【显式】Breiman 的 Random Forests（2001）常被风险预测申请书引用。引用它通常只说明作者选择了一个集成学习工具，不说明它在【小样本】【高缺失】【类别不平衡】【测量噪声】下仍优于简单基线。评审看到“采用随机森林”时，看到的是【方法名】，不是【验证证据】。

【隐式】很多【复现失败】不是代码写错，而是【适用条件漂移】：原方法在【大样本、强信号、低缺失】中表现好，迁移到【小样本、弱信号、高缺失】后，排序、校准、稳定性都可能变化。引用本身不会自动携带这些边界；边界必须由使用者重新写出。

【细微】引用语境里，同一篇方法论文会被压成三种责任：【支持性引用】（“我们用 RF 得到更好结果”）、【对比性引用】（“RF 不如线性模型稳定”）、【程序性引用】（“按 RF 默认参数运行”）。三类语境对证据责任含义不同，但引用计数把它们折叠成同一个数字。

【极难发现】最危险的是【程序性引用】：它看起来像方法承诺，实际只承诺“我调用了这个包”。它把【调参】【特征工程】【校准】【外部验证】藏进默认值。评审真正该追问的不是“为什么用 RF”，而是“如果外部验证集 AUC 衰减超过 0.05、校准斜率低于 0.8，你的核心结论是否还成立？”

【引用负债表】给每个承重方法做一张小表：原方法承诺、当前适配、失效条件、验证节点、降级标准。例：n=412、缺失 18% 的风险预测，若使用 RF，必须报告 5-fold 外部校准、logistic 基线对比、Brier 分数；若 AUC 衰减 >0.05 或校准斜率 <0.8，则把结论降级为描述性模型，不再声称预测优势。

如果【引用方法】被默认当成【方法适配】，【可复现性】的债务就会一直藏在方法名后面。你更支持把【引用负债表】写进基金申请书，还是认为这会变成新的形式主义？