用途：基于合作博弈论的 Shapley 值统一解释机器学习模型输出。技能覆盖计算任意模型类型的 SHAP 值、生成理解特征重要性的可视化、调试与验证模型行为、分析公平性与偏差，以及在生产中落地可解释 AI。适用于树模型（XGBoost、LightGBM、CatBoost、随机森林）、深度学习模型（TensorFlow、PyTorch、Keras）、线性模型和黑盒模型。
主要能力：提供解释器选择指引，如树模型用 shap.TreeExplainer（快速精确）、神经网络用 shap.DeepExplainer 或 shap.GradientExplainer、线性模型用 shap.LinearExplainer、其他模型用 shap.KernelExplainer（模型无关但较慢），不确定时用 shap.Explainer。支持瀑布图、蜂群图、条形图、散点图、力图、热力图等可视化，以及全局重要性与单样本预测分解。
使用方式：先选用合适的 explainer，再计算 SHAP 值，如解释器创建后调用 explainer(X_test) 得到包含 values、base_values、data 的对象，然后用 shap.plots.beeswarm、shap.plots.bar、shap.plots.waterfall、shap.plots.scatter、shap.plots.force 出图。技能还给出模型调试、特征工程、模型对比、公平性分析和生产部署等工作流，并建议用 50-1000 个代表样本作为背景数据，说明 SHAP 值具有可加性、公平性与一致性。
限制：KernelExplainer 与 PermutationExplainer 较慢；需注意模型输出类型（原始输出、概率或 log-odds），否则易误读单位；大数据集建议抽样或分批；SHAP 反映关联而非因果，需结合领域知识验证。具体安装与付费信息暂未提供。