用途：在分析结果分享给相关方之前进行质量复核，判断其问题设定、数据、方法、计算、图表、结论与建议是否足以支撑目标受众和决策。它面向分析 QA，而非单纯的数据集画像；若验证依赖数据可靠性（新鲜度、粒度、缺失、重复、连接覆盖、来源不一致），可配合 $analyze-data-quality 使用。
主要能力：清点报告、笔记本、表格、SQL、仪表盘、图表或建议中的主张与关键数字；核对问题、人群、口径、公式、单位、分母、时区、对比基线与假设；检查数据新鲜度、完整性、空值、去重、过滤与连接覆盖；独立重算高影响数字；做合理性检查与常见分析陷阱排查（连接爆炸、幸存者偏差、不完整周期对比、分母漂移、平均值的平均、时区不一致、选择偏差等）；审查图表与呈现完整性；评估结论与建议是否有证据支持；输出置信度评估与必要修复项。
使用方式：按工作流逐项检查，优先处理影响决策的问题，区分阻断项与提示项。可用 ~~structured_data 查来源元数据、模式、样本行、查询历史或 SQL 抽查，用 ~~operations_logs 查表新鲜度、血缘或管道上下文，用 $jupyter-notebooks 或 ~~spreadsheet_workspace 做可复现抽查，用 $visualize-data 做非平凡图表审查。输出通常包含总体评估、方法审查、问题清单、计算抽查、可视化审查、改进建议与需向相关方说明的注意事项。
适用场景：面向相关方的分析、高影响决策、因果表述、外部共享材料，以及需要可复现验证的 SQL、Python、笔记本或表格分析。
限制：无法验证的内容需明确标注并说明验证所需条件；不替代原始数据集画像；具体收费、价格、平台支持范围等资料暂未提供。