用途：在医学影像研究中确定模型方案。前三个阶段回答文献层面的问题——哪种架构族适合任务；后三个阶段回答溯源问题——实际要运行哪个具体制品（仓库、修订、检查点），其数值能支持什么结论。该技能只写决策笔记并运行一个仅用标准库的校验脚本，不下载、不运行、不训练、不评测模型，描述的是原型类别而非实时 SOTA 榜单。
主要能力：按任务（分类/分割/检测/合成/迁移）、模态与维度、标注数据规模、标签可用性和约束（类别不平衡、小结构、可解释性、部署算力）走决策树，路由到一张架构卡片，卡片给出源论文、核心思路、适用场景、医学影像用法、参考实现与典型验证设置。覆盖分类（ResNet/DenseNet/EfficientNet/ViT/Swin 等）、分割（U-Net/3D U-Net/nnU-Net/SegResNet/Swin-UNETR 等）、检测（nnDetection/Faster R-CNN/RetinaNet/YOLO/DETR 等）、合成（Pix2Pix/CycleGAN/diffusion 等）、基础模型（SAM/MedSAM/TotalSegmentator/BiomedCLIP 等）和图网络（GCN/GAT/BrainGNN）。
使用方式：先写 decisions/architecture_choice.md，记录任务、所选架构、源论文（必填）、理由、备选及原因、对应的 /model-scaffold 模板；若存在具体候选，写 model_dossier.json，记录来源与版本、许可证（仅依据固定修订处的许可证文件）、预期用途、权重、任务、已报告验证、developed_on、评测臂与硬件验证；随后运行 python3 ${CLAUDE_SKILL_DIR}/scripts/check_model_provenance.py --dossier model_dossier.json --out qc/model_provenance.json --strict 得到审计输出，并按 Major/Minor 结果逐臂写出研究决策。
适用场景：论文方法部分的架构论证与引用、立项前的模型选型、审稿前的溯源自查、把冲突写入方法与局限性。
限制：不发明基准数字或论文结论，未确认的引用标记 [UNVERIFIED - NEEDS MANUAL CHECK]；校验脚本仅识别许可证字符串中的非商业/仅研究标记，自由文本限制或封闭部署下的 copyleft 不会被检测；不确定时需人工阅读许可证文件。其他相关工作可交给 /model-scaffold、/imaging-data、/model-assessment、/model-card、/write-paper 等。