用途：用于在 Python 中进行贝叶斯建模与概率编程，覆盖构建、拟合、验证与比较贝叶斯模型的全流程，适用于层次/多水平数据、缺失数据与测量误差、需量化不确定性的场景。
主要能力：支持线性/逻辑/Poisson 回归、层次模型与 AR 时间序列；提供 MCMC（默认 NUTS，可选 nutpie、NumPyro、BlackJAX）与变分推断（ADVI）；支持先验/后验预测检验、收敛诊断（R-hat、ESS、发散）、PSIS-LOO 交叉验证与模型比较；含分布选择、采样算法与故障排查指南。附带脚本 model_diagnostics.py、model_comparison.py 及线性回归、层次模型模板。
使用方式：安装用 uv pip install "pymc[nutpie]" "arviz[matplotlib,h5netcdf]"。遵循八步工作流：数据准备、建模、先验预测检查、采样、诊断、后验预测检查、分析、预测。采样示例：pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9)，随后 pm.compute_log_likelihood(idata)。诊断用 check_diagnostics(idata)，比较用 compare_models({'m1': idata1, 'm2': idata2})。预测需在建模时用 pm.Data('X', X, dims=...) 包装预测变量，再 pm.set_data 替换并 sample_posterior_predictive。结果可 idata.to_netcdf('results.nc') 保存。
限制与版本注意：PyMC 6 起结果为 xarray.DataTree；az.summary 默认报告 89% 等尾区间；az.waic 与 hdi_prob 已移除；绘图返回 PlotCollection，部分函数更名（plot_posterior→plot_dist、plot_trace→plot_trace_dist 等）。高频回归、元分析、机器学习点预测等场景建议改用其他专用技能。具体功能、收费与平台支持以官方资料为准，资料未提供部分暂未说明。