用途：在信任某个结论之前，先让隐藏前提显性化。强结果往往依赖隐含的、埋在记号里的、藏在定理引用中的，或通过证明技巧间接引入的假设。目标不只是罗列假设，而是判断哪些假设在结构上必要、哪些是证明的产物，以及移除后什么会失效。
主要能力：按步骤操作。先精确陈述目标主张，明确变量、范围、收敛概念、概率限定词和比较对象；再提取显式假设，区分数学、统计、计算和数据生成假设；然后搜索隐藏假设，常见类别包括正则性（光滑性、Lipschitz 连续性、可微性、有界梯度）、结构性（凸性、稀疏性、低秩、可分性、平稳性）、概率性（独立性、可交换性、集中性、次高斯尾、遍历性）、可识别性（最优唯一性、可逆性、充分激励、非退化协方差）、渐近性（大样本、噪声消失、固定维度、无限时间）和实证性（训练/测试分布匹配、基准标签可靠、预处理不泄漏）。
使用方式：识别每个假设进入论证的位置，而非仅罗列；将假设分类为必要、证明便利或可能过强；测试移除假设后具体破坏哪一步；在证明路径合理时建议更弱的替代假设。输出格式包含目标主张、显式假设、隐藏假设表（假设、进入位置、必要或便利、移除后破坏什么）、可能过强的假设、可能的更弱替代、主要结构依赖和风险评估。
适用场景：审查数学证明、统计模型或实证论证的可靠性，尤其适合需要区分逻辑必要性与证明便利、避免把渐近假设当作现实、以及区分数学充分、实证合理与计算可行的场合。
限制：不声称更弱版本一定成立，除非证明路径合理；不把“文献中常见”等同于“必要”；引用定理内部的隐藏假设同样计入；若移除假设破坏论证，需指出确切位置。具体安装或调用命令暂未提供。