用途：面向机器学习/AI研究的实验结果分析工作流，把实验数据与论文写作衔接起来，覆盖数据分析、统计验证与Results章节内容生成。
主要能力：一是实验数据分析，支持读取CSV、JSON、TensorBoard日志、Python pickle等格式，并做完整性、一致性、可复现性检查；二是统计验证，计算均值、标准差、标准误、置信区间，执行t检验、ANOVA、Wilcoxon检验及Bonferroni多重比较校正；三是模型性能对比，涵盖精度指标、训练与推理速度、模型复杂度、鲁棒性，支持基线对比、消融实验与跨数据集验证；四是可视化，要求矢量格式（PDF/EPS）、色盲友好配色、清晰标签与误差棒；五是生成Results章节文本与图表说明；六是质量检查清单，如误差棒、检验方法、超参范围、算力与随机种子等。
使用方式：按标准流程执行——数据加载与验证、统计分析、模型对比、可视化、写作、质量检查。相对路径从技能目录解析，调用内置脚本前先检查再修改，生成产物写入当前项目工作区而非技能目录。若运行时、CLI、凭据或API不可用，应说明阻塞原因并采用手动替代方案。输出包括analysis-report.md、figures/下的PDF图表及results-draft.md。
适用场景：分析实验结果、生成论文Results部分、比较多个模型性能、做显著性检验、制作出版级图表、验证结果可靠性。可与ml-paper-writing技能配合，后者负责论文结构、引用管理与会议格式。
限制：具体安装命令、依赖版本、收费与平台信息暂未提供；技能强调避免只报最优结果、混淆标准差与标准误、使用非色盲友好配色、Y轴不从0开始、过度解读或隐瞒负面结果等常见问题。