用途：在算法、模型、排序系统、推荐引擎或自动化决策流程上线前，检查其是否存在歧视性模式和不公平结果。资料指出，即使系统对所有人一视同仁，仍可能产生歧视，例如为参与度优化的排序可能系统性压低某些群体，基于历史数据训练的模型可能编码历史不公。
主要能力：按步骤审查系统。第一步定义系统，明确其输入、输出、决策对象及对人们的影响，并用 AskUserQuestion 确认理解是否正确。第二步识别隐含默认用户，追问系统为谁优化、用谁的数据训练或校准、谁缺席于训练集或设计过程。第三步检查直接偏见，即是否使用受保护特征或其高度相关变量，以及不同人群结果差异是否合理。第四步检查代理偏见，审计与受保护特征相关的特征、训练数据的历史来源。第五步检查反馈回路，判断系统是否创造或放大它试图预测的模式。第六步评估伤害分布，分析假阳性与假阴性由谁承担、错误代价及是否有申诉途径。
使用方式：技能会先做框架确认，再进行范围确认，提供完整分析、仅关键发现、仅差异影响或重新框定等选项。输出格式包含被审计系统、隐含默认、偏见发现表（直接偏见、代理偏见、训练数据问题、反馈回路风险、错误代价分布，各带严重度标记）、最重要关切、建议行动与备注。
适用场景：信用、招聘、医疗、内容审核等高风险输出系统，以及任何自动化决策流程。
限制：资料说明干净的偏见检查不保证公平，只是认真努力的证据；偏见常很微妙并随规模显现。高风险系统应在上线后持续监控，而非仅做上线前审计。具体实现细节、安装命令、收费与平台信息暂未提供。