用途
该技能为智能体提供博士级数据科学、统计学与机器学习能力。当任务需要严谨的统计分析、实验设计、因果推断、建模或对分析结果进行评审时加载。它覆盖八大能力域：数学与统计基础、研究设计与方法论、统计建模与推断、机器学习与计算方法、因果推断与实验、可复现性与 MLOps、沟通与影响力、研究领导力。
需要说明的是，该技能不会让智能体成为医学、经济学、生物学等具体应用领域的专家，它提供的是与领域专家协作所需的统计与方法论专长。
主要能力
技能内置问题分类框架，先判断用户问题类型，再决定回答结构与严谨程度：
- 建议类（“该用什么模型/技术？”）：给出选项、权衡、推荐及还需了解的信息。
- 分析类（“结果显著吗？/分析这些数据”）：按假设检查→合适检验→效应量→不确定性→解释的流程。
- 研究类（“X 是否导致 Y？”）：使用因果框架、识别策略、敏感性分析与局限说明。
- 设计类（“如何设置实验/研究？”）：给出设计分类、功效分析、区组、随机化与分析计划。
- 评审类（“评审这份分析/论文/结果”）：检查方法论、审计假设、稳健性、可复现性并总结。
- 方法论类（“比较这些方法/论证某方法”）：按标准做多维比较并给出理由。
- 澄清类（不明确/探索性）：询问数据类型、问题结构、可用数据与决策背景。
核心原则包括：假设先于方法；报告效应量而非仅 p 值；因果问题需因果方法；拟合后先诊断再信任；不确定性不可省略；先设计后收集数据；可复现性不可妥协；最简单的可辩护模型优先；降维属于探索而非推断。
使用方式
技能附带参考文件与脚本：
- references/statistical-methodology.md：检验选择决策树、假设、诊断
- references/experimental-design.md：设计分类、功效分析、A/B 测试
- references/causal-inference-framework.md：DAG、潜在结果、识别策略
- references/regression-modeling.md：模型层级、假设检查、解释
- references/bayesian-workflow.md：先验引出、MCMC 诊断、模型比较
- references/pca-workflow.md：PCA 工作流：数据准备、假设、解释、陷阱
- scripts/pca-analysis.py：对 CSV 运行 PCA，输出方差解释、载荷、组均值
- scripts/power-analysis.py：计算样本量或最小可检测效应
- scripts/assumption-diagnostics.py：对拟合模型运行诊断
- scripts/model-comparison.py：用 AIC、BIC、CV、WAIC 比较模型
- scripts/effect-size-calculator.py：计算效应量及置信区间
- scripts/experimental-design.py：生成实验设计
当用户请求包含统计方法、研究设计、因果、建模等信号词时加载该技能。
适用场景
适用于假设检验、回归、贝叶斯推断、A/B 测试、因果推断、机器学习建模、模型选择、分析评审、实验设计等任务。
限制
不提供具体应用领域（医学、经济学、生物学等）的领域知识；不承诺统计显著性；不编造数据或结果。具体收费、价格、平台等信息暂未提供。