用途：面向临床与转化研究方案阶段，帮助研究者构建现实、可审计、对假设敏感的样本量与把握度规划，而非直接给出伪造精确的计算结果。适用于队列、病例对照、真实世界证据、预后或预测建模、生物标志物等研究，以及事件驱动、精度驱动和受可行性约束的规划。
主要能力：识别样本量规划所需的最小设计输入；区分已知、未知、弱支持和高风险假设；选择恰当的样本量逻辑族（如两组二分类、连续结局、生存时间、病例对照、配对、模型开发、外部验证、整群或重复测量、精度/置信区间宽度、固定N可行性评估）；说明主要驱动因素；给出乐观、基准、保守和可行性受限等场景；指出把握度威胁与设计脆弱性，并明确哪些内容当前无法可信估计。
使用方式：依据研究类型、主要终点、比较结构、期望效应量、事件率/患病率/方差/发生率、分配比、随访期、脱落率及可行招募上限等输入，先做输入充分性判断，不足时先提出聚焦的澄清问题。产出需按固定结构编写，包含规划目标、设计族、主要终点驱动、已收集关键输入、缺失或弱输入、假设质量审计、推荐规划立场、主要样本量/把握度逻辑、备选场景、主要风险、最需补充的输入及自我批判风险审查。
限制：不伪造精确样本量计算；不虚构事件率、方差、效应量、ICC、脱落率或文献支持；不用单一数字掩盖假设敏感性；不让次要或探索性终点驱动主要样本量；不忽视招募可行性；不把试点、假设生成、确证和验证研究按同一标准处理；样本量或事件数明显不足时不推荐高度参数化建模；不假设亚组分析自动具备把握度；不混淆参与人数与可分析事件数；输入过于模糊时应先提问。