用途：把模糊的分析问题转化为可复现的证据产物，服务于高风险决策。系统不把所有数据强行塞进固定流程，而是先设数据契约，经质量门评估后再自适应选择分析方法。
主要能力：
- 分析前数据质量门：检测缺失、重复、数据泄漏、粒度不匹配等，输出四种结果：ready、ready_with_documented_limitations、needs_user_confirmation、blocked。
- 自适应路由：据问题与数据特点选择描述性（发生了什么）、诊断性（为什么）、预测性（接下来如何）、规范性（该采取什么行动）方法。
- 两层输出：始终生成证据情报报告，条件满足时生成决策情报简报。
- 保留血缘：哈希来源、可复现转换、结论边界，并处理备选方案间共有的不确定性（市场、时间、运营冲击）。
使用方式： 快速安装：npx skills add limingrui679-design/high-stakes-analytics-decision-lab -g 手动 Python 安装： git clone https://github.com/limingrui679-design/high-stakes-analytics-decision-lab.git cd high-stakes-analytics-decision-lab pip install -r requirements.txt Docker： docker build -t high-stakes-lab . docker run -v $(pwd)/data:/data -v $(pwd)/outputs:/outputs high-stakes-lab 通过 config.yaml 配置项目名称、问题、证据契约、质量阈值、路由开关与输出路径；也可用 CLI 子命令 profile、analyze、evidence、decision 分别执行数据画像、整体分析、生成证据报告和叠加决策层。Python 侧可从 src.orchestration 的 AnalyticsWorkflow 入手，先 load_config 再 run。
适用场景：需要可复现、来源可查、不确定性明确的高风险分析，如客户流失、定价决策、需求预测与资源分配。仓库内 examples/real-data-cases/projects/ 提供 10 个含数据与输出的完整案例。
限制：预测路由对样本量有要求；校准不佳会触发验证失败，只能用于排序而非绝对概率；并非每个分析都应产出决策简报，当缺少可行备选、约束、决策负责人或可指定反转条件时，应在证据层终止。除公开资料所述外，具体收费、支持平台、性能指标暂未提供。