用途：作为可观测性分析工具，查询 Elastic ML 异常检测结果，把异常记录翻译成“哪里出问题、有多严重”的叙述，适用于 K8s 指标、APM 延迟、日志速率、自定义指标等任意信号域。
主要能力：ml-anomalies 工具获取异常记录并打开交互式解释视图；observe（anomaly 模式）可阻塞等待下一个异常触发；可配合 apm-service-dependencies 了解受影响服务的拓扑，或用 k8s-blast-radius 评估节点/ Pod 的基础设施影响。返回内容包括 recordScore、jobId、fieldName、functionName、entity、deviationPercent 以及实际值与典型值，还有按作业统计的 jobsSummary 和预生成的 investigation_actions 后续提示。
使用方式：调用参数包括 lookback（默认 24h，急性排查用 1h，周趋势用 7d）、entity（服务名、Pod 名、部署或主机，需用实际部署的 OTel service.name，不要拼接成“Xservice”）、min_score（默认 1；仅在用户明确要求严重级别时设置，critical 为 90、major+ 为 75、minor+ 为 50）、job_id（仅在指定作业或信号域时使用，如内存异常用前缀 k8s-memory-）、limit（默认 25）。每轮只调用一次，解释视图会内联渲染，不要重复调用刷新。
适用场景：用户询问“有什么异常”“是否有异常”“哪里不正常”等可观测性排查问题。
限制：必须已配置并运行 Elastic ML 作业，否则返回空结果并提示在 Kibana ML 中配置；异常分数表示“不寻常”而非“故障”，需结合实际现象判断；空结果是有效信号，不应自动放宽参数重试，应先告知用户并询问是否扩大搜索范围；entity 应传纯值而非复合形式。