用途：把模糊的“想用AI”诉求形式化为监督学习可执行结构，即给定输入A预测输出B。适用于评估需求是否属于监督学习、撰写AI需求文档时明确输入输出、验证AI产品问题结构。资料列举的典型映射包括邮件内容到是否垃圾邮件、音频波形到文字、图像到车辆坐标、房屋面积到预测价格等。
主要能力：引导定义输入A、定义输出B，并验证已标注(A,B)样本的可获得性；判停条件为无法定义清晰A或B时，提示可能不适合监督学习，建议先做问题澄清。
使用方式：激活后按步骤执行——先问“你拥有什么数据、系统输入是什么”，再问“希望AI给出类别、数字还是文字”，最后问“有多少已标注样本”；每步有完成标准，如能用一句话描述输入或输出、能给出数据量级。与one-second-rule区分：后者判断技术可行性，本技能先做问题形式化；与ml-feasibility区分：后者是含概念与数据的完整可行性评估；与automate-task区分：后者拆岗位为任务，本技能把任务框成输入输出。
适用场景与限制：适用业务团队转化模糊AI想法、技术团队评估需求是否属监督学习、产品经理定义输入输出、创业者验证问题结构。局限包括：A→B框架假设能明确定义正确输出B，而现实中“好的客户服务”“有创意的广告”等目标模糊难以标注；主要适用于监督学习，对强化学习和生成式AI适用性有限；当B需主观判断时，标注一致性会成为瓶颈；不适用于纯数据洞察、聚类降维异常检测、复杂长程推理（如制定市场战略）及只需了解数据的场景。安装命令、收费与价格等资料暂未提供。