用途：本技能面向 doubleml-pipeline 已完成估计的输出目录，帮助用户解读去偏后的因果效应结果。分析范围覆盖处理变量（treatments）、渠道、干预、结果 KPI、实体维度（geo_col、item_col）、日历周期以及 CATE 异质性；前提是不要对输入面板重新拟合原始回归，而是直接读取 output_dir 文件并依据 references/metric_formulas.md 中的指标定义计算。
主要能力：按固定读取顺序提取信息：先读 metadata.json，获取 outcome_col、treatment_cols、treatment_types、treatment_spend_cols、x_cols_list、covariates_for_cate_list、geo_col、item_col、date_col、opt_threshold_roi、saturation 系列配置和 cluster_dml 等设置；再读 consolidated_1a_full_df.csv，得到行级面板、estimated_incremental_KPI 及 95% 边界、roi_amount_based 和优化后的 spend/KPI 列，并据此汇总整体、分段、日历与驱动切片；随后读取 cate_coef_dict_pooling.csv 中 model 为 "median" 的行，计算 Bonferroni 调整后的 CATE 异质性等级（strong、weak、none）；再查看 consolidated_3a_detail.csv 的重复稳定性、sensitivity_metrics.csv 的 OVB 稳健性值、step0_saturation 的阶段 0 决策，以及 007_optimization 下的优化指标。
使用方式：用户提供已完成运行的 output_dir 后，按七步分析路径推进：确定运行范围；汇总标题级因果影响（总花费或处理量、处理行数、增量 KPI 与 95% 区间、ROI 或重标定后的单位效应、占结果比例、盈亏平衡毛利与回收判定）；按 geo_col 和 item_col 观察作用位置；按日历节奏观察作用时间；分析驱动因素与二维交互；检查重复稳定性、OVB 敏感性、阶段 0 饱和诊断、低样本与合理性标记；当存在优化目录时报告历史与优化后的花费、增量 KPI、ROI、行数变动与优化器假设。所有结论需以 Fact、Inference、Hypothesis 标签逐条标注。
适用场景：适用于已完成 DML 因果估计、需要从输出目录生成因果洞察报告的分析任务，包括评估历史投入是否值得保留、按地区或条目比较效率与体量、识别 CATE 异质性证据、检查结果可信度，以及在满足单处理、optimize=True、date_col 与花费映射条件时解读模型隐含的回顾性分配建议。
限制：无法回答的问题需明确说明，并指出所需的管线设置；不得假设数据中不存在的渠道、处理或领域构念；不得读取或报告合成真值与派生聚类列，除非用户明确要求审计；不得将估计称为统计显著或使用 p 值措辞（CATE 等级除外）；不得在运行间求和 incremental_kpi 或跨处理、跨运行迁移预算；不得编造毛利、基准或外推超出观测支撑范围；若缺少优化目录、花费映射或 threshold_roi，相关结论应留空或标注未定；聚合 95% 区间常跨零，分配结论应区分保留、削减与受控测试。