用途：这是一个面向 ML/AI 研究论文的实验结果分析工作流，目标是把原始实验数据整理为可发表的 Results 章节，涵盖统计检验、可视化规格与文字草稿。
主要能力：分为五个阶段。1) 数据加载：读取 CSV、JSON、TensorBoard 日志、pickle 等格式，校验并生成数据概况。2) 统计分析：计算描述统计，先做正态性（Shapiro-Wilk）与方差齐性（Levene）预检，再据结果选择参数或非参数检验，并计算效应量与多重比较校正。3) 可视化：生成出版级图表与表格规格，要求矢量格式（PDF/EPS）、色盲友好配色（Okabe-Ito 或 Paul Tol）。4) 结果写作：起草 Results 段落，规范统计报告与图表引用。5) 质量检查：核验分析完整性与可复现性，产出 analysis-report.md、results-draft.md、visualization-specs.md。
使用方式：提供数据路径与可选分析类型（full、comparison、ablation、visualization）。执行前会交互式确认分析类型、误差报告格式（SD/SE/95% CI）与配色方案；以 /scholar-experiment comparison 形式传入类型时使用默认值。可选预加载项目文档与编码规范。推荐 Python 栈（numpy、pandas、scipy.stats、matplotlib、seaborn、statsmodels）或 R 栈（tidyverse、effsize、multcomp）。
报告要求：每个统计结果须含检验统计量、自由度、p 值与效应量；不得只报 p 值；须报告所有计划比较与全部运行结果，不做选择性报告；须记录随机种子与实验设置。
限制：依赖相应统计库，若不可用会引导使用在线计算器或手工计算；样本量过小（少于 3 次运行）会告警并改用非参数检验；正态性或方差齐性不满足时切换非参数检验或 Welch 方法；缺失值与离群值需另行处理策略。其他未提供的信息暂未说明。