用途：面向 PyMC v5+ 的贝叶斯建模工作流，用于构建概率模型、指定先验、运行 MCMC 推断、诊断收敛以及进行模型比较与因果推断。交互式建模建议使用 marimo，除非项目已使用 Jupyter。
主要能力：模型规格支持 coords/dims、pm.Data 数据容器与 pm.Deterministic；层次模型推荐非中心化参数化。推断默认使用 nutpie 采样器（Rust 实现，通常快 2-5 倍），可回退 PyMC 原生 NUTS，也支持 NumPyro/JAX 后端及 ADVI/DADVI、Pathfinder 近似推断。诊断遵循 ArviZ 四阶段流程：立即检查（散度、r_hat<1.01、ess_bulk/ess_tail>400、迹图）、深度收敛（ESS 演化、能量、自相关）、模型批评（后验预测、LOO-PIT）、参数解释（后验图、森林图、成对图）。支持先验与后验预测检查、模型调试（model.debug、point_logps、profile）、LOO-CV 模型比较、InferenceData 的 NetCDF 保存与压缩。常见模式涵盖层次模型、GLM、高斯过程（HSGP）、时间序列、BART、混合模型与零膨胀、删失、有序回归等特殊似然。因果操作提供 pm.do 干预与 pm.observe 条件化，pymc-extras 提供边缘化、R2D2 先验与 Laplace 近似。
使用方式：以 with pm.Model(...) 定义模型，pm.sample() 采样，az.summary 等诊断，pm.sample_posterior_predictive 做预测检查，az.loo/az.compare 比较模型，idata.to_netcdf 持久化。
限制：资料未提供安装命令、收费与平台信息；离散变量需边缘化，GP 大数据建议 HSGP，混合模型需处理标签切换，采样前应通过诊断标准再解释参数。