用途：将已接受的规范意图单元（canonical intent cell）转化为可辩护的测量计划，用于 AI 可见度追踪。不生成提示词，不虚构精度，继承 skills/ETHICS.md 的伦理底线，强制反幻觉、显式分母与衰减感知版本管理。
主要能力：按分层抽样选择单元，分层维度包括接近度带、任务/旅程/信息行为、ICP/角色与地区/语言、证据等级/来源类型、测量通道与界面，以及 core、rotating、sentinel、control、aided 等分区。区分 closed_model、retrieval、consumer_surface、campaign_experiment 四类通道，禁止混合 aided 状态或通道分母。权重分为 exposure 与 priority 两个独立分量，各需置信度、版本与来源；无可靠 exposure 权重时在声明分层内使用等权。提供单元与重复次数起点（diagnostic、standard、research、campaign add-on），并建议先做 12–20 个 sentinel 的方差试点。报告需含唯一单元数、变体、重复、有效/无效运行、日期、模型版本、界面、地区、通道、原始与加权分子分母、权重来源与有效样本量、区间方法、与上一版重叠及配置漂移。
使用方式：输入需测量章程、prompt_architecture.json、QA 通过候选与完整拒绝台账、有证据的权重输入、运行与评审预算、方差试点观察、先前面板版本与活动登记。选择时不得查看目标基线表现。输出先给 tracking_plan.md，再按 ../build-ai-visibility-panel/references/artifact-contracts.md 契约写 panel.yaml，并输出 run_manifest_template.json 与 panel_change_ledger.json。
适用场景：AI 可见度测量计划设计、面板版本管理与刷新、活动归因证据阶梯报告。
限制：选择期间不得检查目标基线表现；不得按当前目标强弱、差距或活动意愿选择；区间只量化条件性运行/抽样不确定性，不修复覆盖偏差；前后增加不等于归因，需治疗/对照定义、预注册与可信实验或反事实设计；缺失审批或试点数据时标记为 provisional_directional。