用途：把先验当作科学假设而非无量纲默认值，从量的实际含义出发构造分布，再检查其可观测含义。适用于专家分位数、PreliZ、约束先验、先验预测合理性与先验敏感性分析。
主要能力与流程：先定义量，明确估计目标、总体、支撑集、单位、变换/链接、参考预测值及结果前可用信息；区分物理边界与高概率区间、参数不确定性与未来观测变异、独立先验信息与基于结果的缩放。通过询问分位数、概率、有意义的预测对比和尾部判断来引出先验，记录来源与分歧，教学数字须标注为示例假设，不得按留出结果调参或编造专家答案。用解析公式或 PreliZ 的 maxent/quartile 转换并检查，独立查看优化器状态与达到的 CDF；最大熵以选定族和参数化为条件，并非普遍无信息。优先使用 PreliZ，而非已弃用的 pm.find_constrained_prior。用 pm.sample_prior_predictive(draws=...) 模拟先验预测，通过 prior["prior_predictive"] 访问 DataTree，检查支撑集、条件尺度、数据极值和科学对比是否符合所述合理性判断，超出观测范围覆盖；预测不合理时在保留支撑集与模拟不确定性的前提下重审假设。这些是合理性检查，不是推断实现的 SBC。评估合理替代方案时，在固定数据、似然、变换和估计目标的前提下改变尺度与尾部做先验敏感性比较；粗略探索性拟合可提示需调查的假设，对支持结论的后验需诊断发散、rank R-hat、bulk/tail ESS、估计目标特定 MCSE 及 trace/rank 图。报告实际敏感性，比较物理尺度效应、有意义事件概率、不确定性区间和新观测预测；少数先验下答案稳定不能证明数据主导、全局稳健或模型充分。功效敏感性是局部的，还需可靠重要性权重，其启发式标签不是科学决策。
使用方式与限制：参考文档含完整先验预测示例、单位换算、专家工作流、解析检查与功效重加权，以及收缩与正则化（regularized horseshoe 尺度、R2D2 方差分配、几何与解释）。可选 pymc-extras 先验工厂、序列化、删失与后验作先验传递，需安装 pymc-modeling。适配示例时使用已安装包版本匹配的 API 文档；PreliZ 组件需交互式 notebook；pymc-extras 为可选，仅其 R2D2 辅助或可选工厂工作流需要。未提供具体收费、价格与平台信息。