用途：该技能用于对已选定的数据科学指标进行评审，判断其是否真正支撑业务决策、用户结果、风险与成本权衡，避免项目优化看似科学却与业务影响或安全目标错位的指标。
主要能力：将模糊请求转化为明确的指标设计评审决定，包含责任人、证据、假设与行动阈值；先检查本地工件（数据抽取、schema、notebook、SQL、流水线配置、模型报告、工单、既往决策）；把机械检查与专家判断分开，便于复现；将发现分类为 stop、fix-first、monitor、accepted risk 或 owner decision；保留原始证据，不静默修改数据、notebook、模型工件或生产配置；输出可交付给数据科学家、ML 工程师、治理评审者或利益相关方的决策工件。
使用方式：需要输入决策背景、候选指标、利益相关方、假阳性与假阴性成本、护栏指标。若输入缺失，先检查可用文件，只询问无法从工作区恢复且会改变建议的信息。工作流为：把指标映射到真实决策与受影响用户或实体；区分主指标、诊断指标、公平性指标、可靠性指标与护栏指标；审查阈值效应、类别不平衡、成本不对称与博弈风险；检查离线与在线、代理与结果的不匹配；返回带验收与监控标准的指标评审决定。输出契约包含 Problem、Inputs、Checks performed、Findings、Decision、Risks、Next actions、Artifacts 等部分。
适用场景：数据科学、机器学习与治理评审中，需要判断指标是否可行动、是否可被博弈、阈值是否事后选择、护栏是否缺失、平均值是否掩盖子群体伤害等。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；使用前可参考 references/playbook.md、references/acceptance-tests.md、references/agent-portability.md、references/quality-rubric.md，并可用 scripts/quick_validate_skill.py . --strict 在发布或安装前校验。