从原始数据走到下一步。

自动化常被描述为替代一次手工计算。这当然能节省时间，但更重要的机会，是把原始输入连接到一个能够被检查、也能够被执行的决定。

因此，有用的工作流不能只留下最终数字。它还应保留输入来自哪里、进行了什么变换、哪些内容没有通过验证，以及哪一个结果可以进入下一步。

文件、参数、软件版本和中间输出都应可追溯。结果发生变化时，工作流应该帮助我们区分：是输入变了、方法变了，还是执行出了问题。

当一个流程跨越科学软件、自定义 Python 代码与人工复核时，这一点尤其重要。可重复性的起点，是让路径本身可见。

当必要数据缺失、格式错误或彼此矛盾时，可靠的工作流应当停止。静默回退可能让流程看起来完成了，却削弱了输出背后的证据。

清楚的验证信息和被保留的中间证据，会把失败变成有用的信息：它告诉我们哪里需要注意，而不是把问题藏在一个完成的进度条后面。

最合适的输出格式取决于接下来要做什么：比较、复核、继续实验，还是进入物理测试。表格、图形和摘要都应减少计算结果与下一次决策之间的距离。

这也是我判断自动化的标准：不只看它能否运行，还要看它是否帮助人理解哪些已经知道、哪些仍不确定、下一步最值得尝试什么。