用途：这是一份面向 PyMC（5.x+）的贝叶斯建模与概率编程技能，覆盖从数据准备、建模、采样到诊断、比较与预测的完整工作流，适用于构建线性/逻辑回归、层次模型、计数模型、时间序列，以及需要不确定性量化的场景。
主要能力：构建贝叶斯模型，使用 pm.sample() 做 MCMC（NUTS）采样或 pm.fit() 做 ADVI 变分推断；用 pm.sample_prior_predictive 与 pm.sample_posterior_predictive 做先验/后验预测检查；用 ArviZ 输出摘要、后验图、森林图与 HDI 区间；通过脚本做诊断（R-hat、ESS、divergences）与模型比较（LOO、WAIC、模型平均）。资源含 references（distributions.md、sampling_inference.md、workflows.md）、scripts（model_diagnostics.py、model_comparison.py）及线性回归、层次模型模板。
必要用法：安装与导入命令未提供，仅涉及 import pymc as pm、import arviz as az、import numpy as np；建模用 with pm.Model(coords=...) as model 定义先验与似然，采样示例为 pm.sample(draws=2000, tune=1000, chains=4, target_accept=0.9, random_seed=42)，比较用 compare_models(models, ic='loo')，预测用 pm.set_data 与 sample_posterior_predictive。
限制：资料未提供安装命令、价格、平台或性能承诺；层次模型建议使用非中心化参数化以避免 divergences，LOO 的 Pareto-k > 0.7 时建议改用 WAIC 或 k-fold CV。