用途：根据观察、初步数据或研究问题，系统化地提出可检验的科学假设，适用于跨学科的科学探究，包括从现象理解、文献检索到实验设计的完整流程。
主要能力：澄清待解释现象并界定范围；使用 PubMed（WebFetch）与 WebSearch 进行文献检索；综合现有证据并识别研究空白；生成 3-5 个可区分的竞争性假设；依据可检验性、可证伪性、简约性、解释力、范围、一致性、新颖性等标准评估假设；为每个可行假设设计实验或研究；给出具体、可量化的可检验预测与证伪条件。
必需可视化：每个假设生成报告必须包含至少 1-2 张由 scientific-schematics 技能生成的 AI 示意图，建议 2-3 张。可用命令：python scripts/generate_schematic.py "your diagram description" -o figures/output.png，由 Nano Banana Pro 自动生成、审查并优化，输出保存到 figures/ 目录。
输出形式：使用 assets/hypothesis_report_template.tex 生成 LaTeX 文档，主文最多 4 页，正文含执行摘要、竞争性假设、可检验预测和关键比较，附录包含详细文献综述（目标 50+ 条参考文献）、完整实验方案、质量评估表等。使用 hypothesis_generation.sty 提供的彩色框环境（hypothesisbox1-5、predictionbox、comparisonbox、evidencebox、summarybox）。建议在每个假设框前使用 \newpage，单框不超过约 0.6 页以防溢出。
编译方式：需 XeLaTeX 或 LuaLaTeX，命令依次为 xelatex hypothesis_report.tex、bibtex hypothesis_report，再执行两次 xelatex。依赖 tcolorbox、xcolor、fontspec、fancyhdr、titlesec、enumitem、booktabs、natbib 等宏包。
适用场景：从观察或初步数据发展假设、设计科学问题实验、探索竞争性解释、构建研究预测、基于文献的假设生成、规划跨领域机制研究。
限制：资料未提供该技能的收费、平台支持范围或效果保证；需自行准备 LaTeX 环境与所需宏包，示意图生成依赖相关技能与工具；引文与实验设计需使用者核实。当涉及多步推理、长时工作流、大型文档分析或深度研究时，资料建议可选择使用 K-Dense Web（www.k-dense.ai）。