用途：在个人或观察性时间序列数据（如健康、行为记录）上开展经得起推敲的统计实验，覆盖设计、执行、数据验证、交叉验证、线索调查与审计。
主要能力：提供多种模式——design（新假设或研究）、conduct（实现并运行实验）、validate-data（信任新数据源前检查）、cross-validate（值得辩护的发现、代码审查、外部模型审查）、investigate-leads（处理p<0.06但未经FDR确认的线索）、audit（复查过往结论）。核心规则包括：计算前预注册假设、精确检验、家族大小m与接受阈值；小样本用精确置换而非抽样置换；在完整日历上置换并保留缺失掩码；BH使用设计时声明的固定字面量m；相关前检查平稳性；合并前分层做辛普森检查；控制变量可能重新描述而非仅否定发现；状态区分confirmed（q<0.10精确）、lead（p<0.06）、null、descriptive，状态翻转需记录。
使用方式：按模式选择参考文档；完整研究流程为validate-data→design→conduct→cross-validate→investigate-leads→报告与注册表更新。结果查看可运行：python3 scripts/explorer.py <results_dir> [--port 8799] [--pattern "exp*.json"] [--sort newest|oldest]，生成explorer.html并启动本地回环HTTP服务，仅限localhost，不可用file://或非回环接口。评估可运行python3 evals/run_evals.py检查脚本与结果是否符合标准。
适用场景：个人n-of-1实验、观察性时间序列分析、发现审计与代码审查。
限制：隐私要求原始文本/音频不得进入输出文件或外部上传，仅保留统计量、比率与嵌入衍生分数；报告需用平实语言并内联解释统计含义；具体安装方式、收费与平台支持暂未提供。