用途：对已训练好的 XGBoost 模型做可解释性分析，回答“为什么模型这样预测”“哪些特征最重要”等问题，输出含可视化图表的 Markdown 报告。不做模型训练，也不做特征筛选。
主要能力：全局特征重要性（SHAP Summary Plot、Bar Plot、重要性表格）；单样本预测解释（Force Plot、瀑布图、特征值分布对比）；特征交互分析（Dependence Plot、交互热力图）。
使用方式：通过 scripts/explainer.py 调用，必选参数为 --model_path、--data_path、--target；可选 --features、--sample_id、--sample_filter、--top_n、--interaction_features、--output_dir、--output_name、--config。示例：python scripts/explainer.py --model_path ./models/my_model.json --data_path ./examples/toy.parquet --target y_label --output_dir ./outputs/explain_run。特征列表可显式传入、从 config.json 读取，或自动发现 <model>_meta.json。可与 xgb-modeling 串联，从其 result.json 取 role=model 的 path 作为输入。
适用场景：全局决策逻辑解释、特定样本预测原因说明、两特征交互效应分析。
限制：仅支持 XGBoost JSON 格式模型；数据字段需与训练时一致；--sample_id 为数据框整数索引而非业务 ID；大数据集全局 SHAP 计算可能耗时较长；依赖 shap、matplotlib、xgboost、pandas、numpy；XGBoost >= 1.7 的 base_score 为数组，脚本会自动修复为标量以兼容 SHAP。