用途：在分析结果分享给相关方或用于决策前进行质量审查，判断问题、数据、方法、计算、可视化、结论、注意事项和建议是否足够可信。它面向分析 QA，而非单纯的数据集画像；若验证依赖数据新鲜度、粒度、缺失、重复、连接覆盖或来源不一致等可靠性检查，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、队列、对比基线与假设；检查数据选择与质量风险；独立重算高影响数字；测试量级合理性与常见分析陷阱；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：按工作流执行——清点工件与主张，验证问题与方法，验证数据选择与质量，核对计算与聚合，做合理性与陷阱测试，审查可视化，评估叙述与建议，最后给出置信评估和修复清单。必要时用 ~~structured_data 查元数据、模式、样本行或 SQL 抽查，用 ~~operations_logs 查表新鲜度与血缘，用 $jupyter-notebooks 或 ~~spreadsheet_workspace 做可复现抽查，用 $visualize-data 审查非平凡图表。
适用场景：面向利益相关方的分析、高影响决策、因果表述、外部共享材料，以及包含 SQL、Python、笔记本或电子表格的可复现验证。
限制：资料未提供具体收费、价格、平台支持范围或效果保证；无法验证的内容需明确标注并说明验证所需条件。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、改进建议和必要注意事项。