用途：该技能面向科学预测任务，包括属性预测（如化学分子 logP、溶解度、毒性、pKa、沸点，材料力学/热学/电学性质，蛋白质功能、结合亲和力、基因表达水平）、趋势分析（时间序列外推、增长/衰减曲线拟合、季节性识别、状态变化检测）、结果预测（临床试验结果、实验结果、治疗响应概率、环境影响）以及基于模型的估算（QSAR/QSPR、药代动力学 ADME、种群动态、经济指标）。
主要能力：按学科提供常用方法，如化学的 QSAR、DFT、分子动力学，生物学的序列预测与网络分析，医学的 Cox 回归、Kaplan-Meier、NNT/NNH，物理的理论模型与标度律，经济学的计量模型与智能体模拟，气候的 GCM 投影与统计降尺度，材料的相图与计算筛选，社会学的面板数据模型与社交网络演化。需要计算时可与 rdkit-chemistry、pubchem-compound、scikit-learn-ml、materials-project、pymatgen-materials、scipy-analysis、biopython-bio、transformers-inference、scanpy-singlecell、geopandas-spatial、copernicus-climate、statsmodels-stats 等技能集成。
使用方式：输出须包含 Prediction、Confidence Interval、Method、Key Assumptions、Uncertainty Sources、Validation、Caveats。指南要求始终量化不确定性、明确假设、区分外推与内插、考虑领域约束、建议验证方法、匹配模型复杂度与数据量、标注低置信度预测。
适用场景：属性预测、趋势预测、结果估计、模型估算等。
限制：不用于查询已知属性（用 literature-search）、不用于实际计算（用 code-execution）、不用于验证已有预测（用 scienceclaw-verification），也不用于实时数据监控或告警。所有事实性声明、引用、数据库结果和科学数据必须来自本次对话中的实际工具结果，不得凭训练数据编造；工具无结果或数据不完整时须如实报告。