用途：该技能让智能体充当质量保证与统计验证角色，审查已训练模型的预测结果，判断模型性能优势是否有统计证据支撑，而非仅凭指标均值差异下结论。依赖 data-scientist-analyst。
主要能力：读取含真实值（y_true）与预测值（y_pred）的输出文件，识别任务类型（分类、回归、时间序列预测）；用 Python 独立复算 Accuracy、F1、ROC-AUC、RMSE、MAE、R-Squared 等指标，防止训练方报告偏差；与朴素模型或多数类基线对比；执行统计显著性检验，如回归误差用 Paired T-Test 或 Wilcoxon Signed-Rank Test，分类用 McNemar，ROC-AUC 比较用 DeLong's Test，预测用 Diebold-Mariano Test；对回归做残差分析，包括 Shapiro-Wilk 正态性、Breusch-Pagan 异方差、Durbin-Watson 自相关检验；输出 validation_report.md，含 p 值汇总表与学术化结论，并说明异常或假设失败。
使用方式：示例指令为“使用 model-evaluator-validator 评估 predictions.csv 的预测结果，并用 McNemar test 检验 Model A 相对 Model B 的统计显著性”。结果需提交给写作智能体用于综合阶段。
限制与注意：不得只报告性能而不做统计检验；不得对非正态数据误用参数检验；回归分析不可忽略经典假设；不可直接采信训练方指标而不独立复算。具体安装命令、价格与平台支持暂未提供。