用途：该技能用于统计建模、实验设计与分析、机器学习部署和数据驱动决策，适用于设计或分析 A/B 测试、构建特征工程流水线、训练评估或部署 ML 模型、从观察数据估计处理效应等场景。
主要能力：实验设计与分析（假设构建、功效分析与样本量、随机化、SRM 监控、事后显著性检验）；特征工程（数据剖析、候选特征生成、基于方差/相关性/SHAP/RFE 的选择、泄漏验证）；模型训练与评估（分层/时间切分、基线、超参调优、交叉验证、校准、公平性检查）；生产部署（容器化服务、输入输出漂移监控 KS/PSI、金丝雀发布、延迟与错误 SLA）；因果推断（倾向得分匹配、双重差分、断点回归、工具变量、假设与安慰剂检验）。
使用方式：提供三个脚本——scripts/experiment_designer.py（A/B 测试设计、功效分析、样本量计算）、scripts/feature_engineering_pipeline.py（自动特征生成、相关性分析、特征选择）、scripts/model_evaluation_suite.py（模型比较、交叉验证、部署就绪检查）；假设检验、因果推断与回归使用内联 scipy/statsmodels，详见 references/statistical_methods_advanced.md。执行前需确认任务类型、数据集与目标变量、决策指标与最小可检测效应；若信息不明应先询问，用户要求直接起草时需在产物顶部列出假设。
限制：不覆盖数据工程基础设施、大规模深度学习架构与分布式 GPU 训练、提示工程与 RAG 及 LLM 微调、计算机视觉流水线，这些分别由其他技能处理。具体性能指标与完整 CLI 参数见对应参考文档。