用途：XGBoost 二分类模型的超参数调优入口，基于 _vendor/tuning_engine.TuningEngine，结合 Optuna TPE 贝叶斯优化与模型诊断，帮助用户调整 learning_rate、max_depth 等参数。
主要能力：基线参数智能推断（依据样本量、正样本率、特征数推荐起点）；模型状态诊断（过拟合/欠拟合/收敛判定）；约束式贝叶斯搜索（诊断结论定向收缩搜索空间）；用户知识融合；每轮输出结构化诊断报告。
使用方式：通过 scripts/tuner.py 调用。交互式模式（默认）每轮暂停等待用户反馈；AUTO 模式自动迭代至收敛（Gap < 0.03 或连续2轮提升 < 0.002）。示例：python scripts/tuner.py --data_path ./data.parquet --target y_label --features "f1,f2,f3" --auto --max_rounds 5 --output_dir ./outputs/tuning --config ./config.json。复杂 JSON 参数建议通过 --config 传入。
适用场景：金融风控（稳定性优先）、营销响应（效果优先）、平衡场景等二分类建模调参。
限制：目标变量必须为 0/1 二分类；--features 必填；默认最多 5 轮；需先用 xgb-modeling 训练基线模型。其他细节暂未提供。