用途：为单个实验编写并运行最小 pytest 冒烟测试，在迭代阶段捕获“load → featurize → split”反模式，避免其进入生产。
主要能力：交付完整测试文件（硬断言 len(predictions) == n_predict_grid_rows，预测环境不带预历史缓冲，读取真实 data/ 数据源，软断言使用设计说明中硬编码的 CV 均值，不导入 skore）；测试文件仅使用预测包 API（如 skrub 的 fit/predict 加 sklearn.metrics）；通过 python -m skore_skills smoke run --stem <NN>_<short_name> 运行。
使用方式：先运行 python -m skore_skills status，若存在未完成的 setup 则加载 setup-ml-project 并停止；必须存在已批准的设计说明与脚本，通过 python -m skore_skills design consent --stem <stem> 校验；API 符号须来自 python -m skore_skills api get <dotted>... 或本轮缓存，禁止凭记忆书写；pytest 不可导入时加载 add-python-package，不得直接 pip install。
适用场景：时间序列或表格 ML 流水线的迭代期验证，覆盖目录原始文件、预测网格加原始历史源、物化 (X, y) IID 三种数据绑定形态。
限制：该测试有意比全量交叉验证小得多，运行时长仍取决于加载器、特征图与学习器，资料未给出具体耗时；不得用合成数据替代真实数据，不得放宽断言或缩小预期行数，不得加包装器、NaN 处理或 eval_mode 补丁，不得过滤警告；测试不使用 skore 跟踪库；资料未提供收费、价格与平台支持信息。