用途：当已有方案候选需要验证，或需要 PoC、MVP、试点、实验计划时，用本技能设计能支持决策的最小可信试点。目标不是证明方案完美，而是把不确定性降到足以负责任地决定构建、停止或迭代。
主要能力：明确试点要支持的决策；界定范围与部署边界（用户群、数据窗口、触点、离线/影子/人工辅助/线上模式、审核者、允许动作、排除项）；定义基线（现有流程、简单启发式、统计或 ML 基线、标准方法、人工或人工加工具）；按决策角色选择指标（主成功指标、诊断指标、业务指标、护栏指标）；防止无效结论（目标泄漏、未来信息、标签偏差、选择偏差、季节性、规则变更、非随机分配、指标博弈、人工审核不一致、数据漂移）；按需加入消融与压力测试；预先设定 go/no-go 标准。
使用方式：按工作流逐步填写输出格式，包括试点决策、范围、假设、基线、指标表、评估协议、消融与压力测试、风险与护栏、go/no-go 标准、交付物。纯学术实验用 experiment-design；业务问题不清先用 industry-problem-framing。
适用场景：欺诈与风险、文档 AI、推荐、LLM 支持等，需连接技术指标与业务价值，并测量合规、公平、可解释性、延迟或采用风险。
限制：资料未提供具体安装命令、收费、价格、平台或效果数据；试点模式各有局限，如离线回放无法测行为变化、回测对泄漏和政策变化敏感、影子模式无直接业务影响、人工辅助引入方差、A/B 测试需流量与治理。