用途：从随机过程生成样本路径，用于估计、预测或可视化；当解析解难以求解、需要蒙特卡洛估计与不确定性量化、验证解析结果（平稳分布、命中时间）或从复杂后验分布采样时使用。
主要能力：支持 dtmc、ctmc、random_walk、brownian_motion、sde、mcmc 等过程类型；按类型选择方法，如 DTMC 直接采样、CTMC 用 Gillespie 算法或 Tau-leaping、SDE 用 Euler-Maruyama 或 Milstein、MCMC 用 Metropolis-Hastings、HMC 或 Gibbs。提供收敛诊断（迹图、Gelman-Rubin R-hat、有效样本量 ESS、Geweke 检验）、方差缩减（对偶变量、分层抽样、控制变量）以及轨迹、边缘分布、自相关和诊断面板可视化。
使用方式：输入 process_type、parameters、n_paths、n_steps，可选 initial_state、dt、seed、burn_in、thinning、variance_reduction、target_function。流程为定义并校验参数、选择模拟方法、运行模拟、做收敛诊断、计算带置信区间的汇总统计、最后可视化。
适用场景：蒙特卡洛估计、后验采样、随机模型原型验证、解析结果的经验校验。
限制：资料未提供具体实现语言、依赖、安装命令、收费与平台信息；需注意 MCMC 预热不足、刚性 SDE 的 Euler-Maruyama 不稳定、强/弱收敛混淆、随机数质量、自相关导致不确定性低估、对偶变量对非单调函数可能增大方差，以及大规模模拟的内存问题。