1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | high-stakes-analytics-decision-lab |
| 作者/维护者 | Li Mingrui（个人开发者，GitHub：limingrui679-design） |
| 来源链接 | https://github.com/limingrui679-design/high-stakes-analytics-decision-lab |
| 许可证 | MIT（GitHub API 确认） |
| GitHub Stars / Forks | 230 / 13（GitHub API，2026-08-11） |
| 最新版本 | 无正式 Release 标签，以 main 分支滚动发布 |
| 安装方式 | npx skills add limingrui679-design/high-stakes-analytics-decision-lab -g，或手动克隆放入对应 agent 的 skills 目录 |
2. 功能介绍与亮点
high-stakes-analytics-decision-lab 把“从一个模糊问题到可辩护的分析与决策”这条链路拆成固定工作流：先给问题分类（描述性/诊断性/预测性/规范性），再对上传数据跑质量闸门（缺失值、口径、隐私、目标泄漏等逐项检查），随后按需推进到预测验证或因果证据评估，最后才生成决策方案对比。
主要亮点：
- 证据先行：分析前要求登记数据来源、许可证、访问日期与哈希值，禁止把合成数据当真实项目结果使用
- 拒绝伪因果：明确区分“相关驱动因素”与“因果效应”，没有实验或准实验设计支撑时不允许下因果结论
- 决策不强制：允许输出“证据不足”“不建议部署”等诚实终点，而不是每次都硬凑一个推荐动作
- 共同风险建模：比较多个方案时保留时间、市场、参与者等共享不确定性因子，不把互斥方案当独立事件处理
- 纯标准库实现：20 个核心 Python 脚本均基于标准库，无第三方付费 API 依赖
- 仓库自带 CONTRIBUTING、SECURITY.md、CODE_OF_CONDUCT 与测试目录，工程规范完整；README 附带 15 个完整案例项目与可复现的证据链示例
3. 适用场景
所属固定分类：数据分析与可视化
- 医疗、金融、政策、工程运维等后果严重、经不起“想当然”的决策场景，需要把每个参数都追溯到证据来源
- 数据分析师/数据科学家处理用户上传的真实数据集时，需要先做系统性数据质量核查，再决定能不能建模
- 需要对比多个可行方案（是否上线新策略、如何分配有限资源）并明确写出不确定性与风险的团队
- 想约束 AI Agent 不要把相关性直接包装成因果结论、避免过度自信输出的场景
4. 跨 Agent 兼容性
README 明确列出 8 个受支持运行时的技能安装目录，覆盖本站关注的全部四个生态：
| Agent | 结论 | 依据 |
|---|---|---|
| Claude Code | 原生支持 | 官方目录 ~/.claude/skills/，npx skills add ... -a claude-code |
| Codex | 原生支持 | 官方目录 ~/.codex/skills/，附带专属 agents/openai.yaml 展示层配置 |
| OpenClaw | 原生支持 | 官方目录 ~/.openclaw/skills/ |
| Hermes Agent | 原生支持 | 官方目录 ~/.hermes/skills/ |
核心内容为纯 Markdown 指令 + 标准库 Python 脚本，无运行时私有 API，兼容性判断依据充分。
5. 推荐理由
多数数据分析类技能解决的是“怎么把一件事做完”，这个技能解决的是“要不要相信这个结论”——它把职业分析师的证据纪律（来源可溯、假设可查、因果与相关不混淆、方案对比考虑共同风险）编码成可执行的工作流，逼 Agent 在给出结论前先过质量闸门，而不是拿到数据就直接建模、给建议。对经常要用 AI 辅助做数据分析和汇报的用户，这类“先诚实后有用”的约束能显著降低被一个自信但站不住脚的结论误导的风险。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 6 | GitHub 230 stars，处于 200–1k 区间；仓库 12 天内获得 13 forks、12 个 watcher，参与度健康，但发布时间短，尚无独立第三方讨论 |
| 可用性 | 9 | 一条命令跨 8 个运行时安装；README 含完整工作流图解与 15 个案例项目；发布后持续维护；核心脚本零第三方依赖 |
| 安全性 | 8 | 代码执行范围明确（本地数据处理脚本，均可审计）；证据来源需用户显式登记，无隐蔽外发；MIT 许可证清晰；含 SECURITY.md 与负责任使用声明 |
安全检查清单：① Shell/权限——脚本仅做本地文件读写与计算，不涉及系统级操作 ② 联网——仅在“建立证据合同”阶段按用户指定的数据源地址下载，行为透明、非隐蔽外发 ③ 凭据——不要求任何 API Key 或账号凭据 ④ 未发现可疑指令或混淆代码 ⑤ 作者为个人开发者，无造假迹象 ⑥ License 为 MIT，明确 ⑦ 最近一次提交为 2026-08-10，维护活跃
综合评分：7.67
7. 跟同类 Skills 相比的优势
| 技能 | 定位 | 与本技能的差异 |
|---|---|---|
| data-analytics-skills（nimrodfisher） | 31 个轻量提示词技能，覆盖数据分析师从质量核查到向业务方汇报的六阶段日常工作流 | 广度优先、开箱即用，偏日常重复性分析任务；不含可执行的预测验证或方案对比引擎，也不强制证据溯源 |
| csv-data-summarizer-claude-skill | 针对上传 CSV 文件自动生成统计摘要与可视化的单一功能技能 | 定位是“看一眼数据长什么样”的快速摘要工具，不涉及数据质量闸门、因果边界或多方案决策比较 |
本技能定位更接近“高风险决策的分析纪律框架”，覆盖从证据登记、数据质量闸门、预测校验到方案对比的完整链路，适合需要为结论负责、而不只是快速出图表的场景；代价是流程更重，不适合临时性的探索式分析。
8. 用户评价
该技能于 2026-07-29 发布，目前在第三方平台尚无具名用户评价。
9. 其他补充
仓库提供 openai.yaml 展示层配置，用于在 Codex 等以 YAML 驱动展示的运行时中呈现技能简介；15 个案例项目覆盖健康、商业、金融、政策、工程运维、行为科学等多个领域，附带可复现的证据链与图表产出。
10. 安装使用方式
- 一键安装（推荐）：
npx skills add limingrui679-design/high-stakes-analytics-decision-lab -g，可用-a claude-code/-a codex/-a openclaw/-a hermes-agent等参数指定目标 agent - 手动安装：克隆仓库或下载 ZIP，将整个目录放入对应 agent 的全局 skills 目录（如 Claude Code 为
~/.claude/skills/） - 免安装试用：
npx skills use limingrui679-design/high-stakes-analytics-decision-lab@high-stakes-analytics-decision-lab生成临时 prompt - 安装后无需重启，Agent 识别到用户描述“高风险决策”“数据质量核查”“方案对比”等意图时会主动触发；也可直接命名调用
11. 注意事项
- 该技能不提供医疗、投资、监管或部署授权层面的专业意见，README 明确声明这一点，仅作分析方法论参考
- 发布仅 12 天，社区反馈与长期维护记录尚不充分，建议先在非关键场景验证工作流是否符合团队习惯
- 完整工作流步骤较多（证据登记 → 数据质量闸门 → 预测验证 → 决策方案对比），对只需要一次性快速分析的场景可能偏重