用途：对机器学习数据集与特征管道做红队式审计，主动查找目标泄漏、时间泄漏、实体组泄漏、划分泄漏、连接泄漏与预处理泄漏，防止模型离线表现优异但上线失败。
主要能力：把模糊请求转化为明确决策（go | fix-first | stop | proceed-with-risk | needs-owner-review），并给出责任人、证据、假设与行动阈值；区分机械检查与专家判断，便于复核；将发现分类为 stop、fix-first、monitor、accepted risk 或 owner decision；产出泄漏攻击报告、特征风险表、划分风险表、安全评估建议与阻塞项清单。
使用方式：先检查本地工件（数据抽取、schema、notebook、SQL、管道配置、模型报告、工单与既往决策），再运行确定性脚本：
python scripts/split_leakage_probe.py path/to/train.csv path/to/eval.csv --key entity_id --target label python scripts/checklist_score.py path/to/checklist.json --strict
工作流：重述决策时可得信息；探查特征、连接、编码器、聚合与预处理是否含结果后信息；检查划分逻辑的时间渗透、组重叠、实体重复与近重复；复核异常强的特征与验证性能跳变；返回带严重度、证据与更安全划分或特征替代方案的发现。输出固定八段：Problem、Inputs、Checks performed、Findings、Decision、Risks、Next actions、Artifacts。修改技能包后运行 python scripts/quick_validate_skill.py . --strict。
适用场景：提交工程或建模投入前的结构化审计；本地工件存在特征时间戳晚于目标、同一用户同时出现在训练与测试、划分前做全局预处理、泄漏性聚合等红旗；需要可复现交接工件时。
限制：不得覆盖原始数据集、notebook 或生产配置，审计输出写入新文件或标准输出；当红旗未解决时拒绝为 go 决策背书；具体收费、价格、平台支持与效果数据暂未提供。