用途：对已有贝叶斯推断输出做计算健康、预测充分性与科学有效性三类诊断，并把每项检查与其能支持的结论对应。
主要能力：访问 idata["posterior"] 与 idata["sample_stats"]；按链统计 HMC 发散；检查秩归一化分裂 R-hat、bulk/tail ESS、MCSE；查看漂移或卡住的链、秩不平衡与发散簇；必要时使用能量/BFMI、自相关与 ESS 演化图。
使用方式：先确认模型、观测、算法、独立链、warmup 与保留抽样，保留链与抽样顺序，并在昂贵后处理前保存推断。R-hat 低于 1.01、ESS 高于 400 只是筛选启发式，精度要求应按科学单位选择。LLOO/ELPD 比较前需显式计算逐点对数似然并检查 PSIS 可靠性，且保持相同观测与顺序。缺失或非有限诊断属未解决，不是零；HMC 统计可能不适用于其他算法。
适用场景：探索性调试或支持可报告推断前的诊断；预测检查需区分潜变量均值与含噪新观测，样本内 PPC 不等于留出预测验证；新组用分组留出，预测用仅历史训练。
限制：先解决缩放、梯度、约束、可识别性与参数化等成因，再加抽样；提高 target_accept、抽稀或删除坏链不能证明修复。高 Pareto k 应诊断而非隐藏；报告成对 ELPD 不确定性与实际相关性，堆叠权重不是模型概率或等价检验，ELPD 差不可指数化为贝叶斯因子。自适应修订与重复交叉验证可能过拟合选择。本技能不依赖其他技能。