文章目录
直接结论。 在纳入分析者中，Supplement X 组感染风险为12/42即28.57%，对照组为18/56即32.14%，绝对风险差为−3.57个百分点；由于差异性失访、分配隐藏不清、参与者和评价者未盲以及数据收集后更换注册主要结局，验证评价将证据确定性评为极低，不能确立预防效果。该结果在保留的第5次尝试中通过原生执行、真实聊天端到端执行和语义产物验证，只能在本演示的数据、方法和限制范围内解释。
科学原理导论
任务的科学边界
可靠的随机试验结构化批判性评价流程必须把“软件成功运行”与“科学结论成立”严格区分。输入需要可追溯来源，算法需要明确版本，输出需要标注单位；如果数值没有物理单位，也应明确说明它是分数、计数、概率或无量纲量。验证不仅要确认文件存在，还要核对字段含义、数值范围、操作数量和安全状态。只有这样，读者才能判断结果究竟支持什么，而不会把技术成功误解为实验成功、硬件验证或正式审批。
可复现输入为何重要
可复现性从执行之前开始。本示例使用artifacts/attempt-5/claim-input.json，一个虚构的120人随机试验数据，包含不等比例失访、分析人群事件数、分配隐藏不清、未盲以及数据收集后更换结局。小型且可检查的输入能把假设暴露出来，使复现者区分数据错误、依赖错误与算法错误。它被刻意限制在具有代表性的关键路径，并不伪装成覆盖所有实际情形。将原始输入、自然语言请求、执行命令、环境记录和最终产物放在同一档案中，可以避免计算研究中常见的问题：报告仍然存在，但生成报告的参数、版本与数据已经丢失。
方法与结果解释
本次演示采用主张与证据分离、风险及风险差直接计算、按领域偏倚风险评价、偏倚与不精确性区分以及校准式确定性表述，运行环境为 Linux x86_64 与 CPU。核心结果是：在纳入分析者中，Supplement X 组感染风险为12/42即28.57%，对照组为18/56即32.14%，绝对风险差为−3.57个百分点；由于差异性失访、分配隐藏不清、参与者和评价者未盲以及数据收集后更换注册主要结局，验证评价将证据确定性评为极低，不能确立预防效果。这句话同时给出数值、上下文与边界，因为脱离环境的单个数字没有充分意义。方法名称也不能替代完整记录：软件版本、执行模式、是否使用真实设备、是否存在随机采样和是否经过独立校验，都会改变结果可以支持的推论。
分层验证策略
测试设置了三道相互独立的门槛。第一道是原生执行，确认安装的软件确实完成技能所描述的关键功能；第二道是自然语言端到端执行，确认聊天请求能够按照技能说明转化为可运行步骤；第三道是语义验证，检查数值、符号、计数、预期值、状态字段与安全声明。只检查退出码或文件存在会漏掉空文件、无关脚本、看似合理的虚构摘要以及单位错误，因此任何一层失败都不能进入文章发布阶段。
常见失败模式
依赖安装成功不等于功能测试成功。解析器可能选择不兼容版本，脚本可能导入同名错误模块，命令也可能在没有生成完整结果时返回零。解释层面的风险更大：模拟可能被误当作实验，预测分数可能被误当作实测浓度，规划稿可能被误当作获批文件。该流程采取失败关闭原则：必需产物缺失、语义断言失败、聊天执行被阻塞或出现无依据主张时，都保留日志并停止发布。
如何检查产物
检查时应先阅读结果报告，再打开机器可读文件。逐项确认标识符、单位、行数、数值范围与显式状态，并将报告内容追溯到输入，而不是只相信自然语言摘要。若有解析恒等式或官方示例值，应进行独立比较；若结果描述一系列操作，应直接统计底层日志；若产物是文稿，则应把每个数字和重要主张映射回简报或权威来源。这样的审查能够发现格式正确但科学含义错误的产物。
负责任地使用结果
结果是否有用取决于预先声明的决策问题。本演示回答的是：一个定义清楚的小型流程能否执行，并生成内部一致、可审计的产物。它没有回答该领域的全部后续问题。使用者应在运行之前规定什么证据会促使接受、重复、修改或终止流程，从而减少事后解释偏差，避免把一次成功执行提升为超出证据范围的准确性、有效性或合规性主张。
从示例扩展到真实项目
扩大输入不仅增加运行时间，也会引入格式异常、隐藏默认值、数值不稳定、版本敏感行为与审查负担。稳妥的扩展方式是每次只增加一种复杂性，始终保留已知正确的小案例，并将新结果与基准进行比较。重要工作应记录校验和、环境清单和随机种子；当流程涉及随机方法或实验测量时，还应加入重复、误差估计和领域合适的对照，而不能依赖一次成功运行。
质量保证与人工复核
质量保证强度应与后果相匹配。探索性分析可以侧重模式检查和可视化审阅；影响昂贵实验、科研经费、临床决策或实体硬件的工作则需要独立复核和正式控制。自动验证的优势是可重复，但它无法判断最初的科学问题是否合理，也无法替代领域专家对假设、排除条件和终点相关性的判断。最终责任仍属于理解研究背景、数据来源和实际决策的人。
深入理解证据链与适用范围
可靠的随机试验结构化批判性评价流程必须把“软件成功运行”与“科学结论成立”严格区分。输入需要可追溯来源，算法需要明确版本，输出需要标注单位；如果数值没有物理单位，也应明确说明它是分数、计数、概率或无量纲量。验证不仅要确认文件存在，还要核对字段含义、数值范围、操作数量和安全状态。只有这样，读者才能判断结果究竟支持什么，而不会把技术成功误解为实验成功、硬件验证或正式审批。
可复现性从执行之前开始。本示例使用artifacts/attempt-5/claim-input.json，一个虚构的120人随机试验数据，包含不等比例失访、分析人群事件数、分配隐藏不清、未盲以及数据收集后更换结局。小型且可检查的输入能把假设暴露出来，使复现者区分数据错误、依赖错误与算法错误。它被刻意限制在具有代表性的关键路径，并不伪装成覆盖所有实际情形。将原始输入、自然语言请求、执行命令、环境记录和最终产物放在同一档案中，可以避免计算研究中常见的问题：报告仍然存在，但生成报告的参数、版本与数据已经丢失。
本次演示采用主张与证据分离、风险及风险差直接计算、按领域偏倚风险评价、偏倚与不精确性区分以及校准式确定性表述，运行环境为 Linux x86_64 与 CPU。核心结果是：在纳入分析者中，Supplement X 组感染风险为12/42即28.57%，对照组为18/56即32.14%，绝对风险差为−3.57个百分点；由于差异性失访、分配隐藏不清、参与者和评价者未盲以及数据收集后更换注册主要结局，验证评价将证据确定性评为极低，不能确立预防效果。这句话同时给出数值、上下文与边界，因为脱离环境的单个数字没有充分意义。方法名称也不能替代完整记录：软件版本、执行模式、是否使用真实设备、是否存在随机采样和是否经过独立校验，都会改变结果可以支持的推论。
测试设置了三道相互独立的门槛。第一道是原生执行，确认安装的软件确实完成技能所描述的关键功能；第二道是自然语言端到端执行，确认聊天请求能够按照技能说明转化为可运行步骤；第三道是语义验证，检查数值、符号、计数、预期值、状态字段与安全声明。只检查退出码或文件存在会漏掉空文件、无关脚本、看似合理的虚构摘要以及单位错误，因此任何一层失败都不能进入文章发布阶段。
依赖安装成功不等于功能测试成功。解析器可能选择不兼容版本，脚本可能导入同名错误模块，命令也可能在没有生成完整结果时返回零。解释层面的风险更大：模拟可能被误当作实验，预测分数可能被误当作实测浓度，规划稿可能被误当作获批文件。该流程采取失败关闭原则：必需产物缺失、语义断言失败、聊天执行被阻塞或出现无依据主张时，都保留日志并停止发布。
检查时应先阅读结果报告，再打开机器可读文件。逐项确认标识符、单位、行数、数值范围与显式状态，并将报告内容追溯到输入，而不是只相信自然语言摘要。若有解析恒等式或官方示例值，应进行独立比较；若结果描述一系列操作，应直接统计底层日志；若产物是文稿，则应把每个数字和重要主张映射回简报或权威来源。这样的审查能够发现格式正确但科学含义错误的产物。
结果是否有用取决于预先声明的决策问题。本演示回答的是：一个定义清楚的小型流程能否执行，并生成内部一致、可审计的产物。它没有回答该领域的全部后续问题。使用者应在运行之前规定什么证据会促使接受、重复、修改或终止流程，从而减少事后解释偏差，避免把一次成功执行提升为超出证据范围的准确性、有效性或合规性主张。
扩大输入不仅增加运行时间，也会引入格式异常、隐藏默认值、数值不稳定、版本敏感行为与审查负担。稳妥的扩展方式是每次只增加一种复杂性，始终保留已知正确的小案例，并将新结果与基准进行比较。重要工作应记录校验和、环境清单和随机种子；当流程涉及随机方法或实验测量时，还应加入重复、误差估计和领域合适的对照，而不能依赖一次成功运行。
质量保证强度应与后果相匹配。探索性分析可以侧重模式检查和可视化审阅；影响昂贵实验、科研经费、临床决策或实体硬件的工作则需要独立复核和正式控制。自动验证的优势是可重复，但它无法判断最初的科学问题是否合理，也无法替代领域专家对假设、排除条件和终点相关性的判断。最终责任仍属于理解研究背景、数据来源和实际决策的人。
测试进度
| 验证门槛 | 保留状态 | 证据 |
|---|---|---|
| 技能安装 | 通过 | 从打包目录加载技能说明 |
| 相关软件包安装 | 通过 | 保留 Linux x86_64 环境 |
| 原生关键功能 | 通过 | 第5次尝试完成计算 |
| 聊天端到端执行 | 通过 | 自然语言请求生成规定产物 |
| 产物语义验证 | 通过 | 技能专用断言全部满足 |
| 文章发布门槛 | 通过 | 三张具有来源记录的 PNG 可用 |
演示用户请求
Use the installed scientific-critical-thinking skill to appraise this fictional trial: 120 randomized participants; 18 treatment and 4 control participants were lost; among analyzed participants infections were 12/42 treatment and 18/56 control; allocation concealment is unclear, participants and assessors were not blinded, and the registered primary outcome was replaced after data collection. The authors claim "Supplement X prevents infection." Create
outputs/claim-input.jsonpreserving these facts andoutputs/critical-appraisal.jsonseparating claim from evidence, calculating both risks and absolute risk difference, identifying bias domains and direction, distinguishing bias from imprecision, grading certainty with explicit reasons, and giving a calibrated conclusion. Do not infer efficacy from statistical significance or fabricate a p-value.
这是一条面向科学目标的自然语言请求，而不是要求用户提供程序命令。它说明预期终点与约束，由已安装技能选择透明、可审查的执行路线。
演示数据
保留输入为artifacts/attempt-5/claim-input.json，一个虚构的120人随机试验数据，包含不等比例失访、分析人群事件数、分配隐藏不清、未盲以及数据收集后更换结局。数据规模允许逐项人工检查，不代表总体、生产运行或全面基准。输入与测试档案共同保存，因此复核者能够重建明确的“输入—方法—输出”关系，并判断每一项结果是否确实来自声明的数据。
经过验证的工作流
流程先读取技能契约，再检查或安装规模受限的依赖环境，执行原生关键功能，并通过真实聊天请求重复同一科学意图。所有必需产物在验证前保留，验证器读取科学内容而不是仅确认文件名。测试不卸载环境，使后续故障调查能够检查完全相同的状态，而不必重新下载或猜测当时的依赖。
演示输入 → 经验证的软件环境 → 关键功能执行
→ 结构化产物 → 语义断言 → 结果报告
这种顺序很重要，因为语言模型可能在没有运行正确软件时写出貌似可信的说明。原生证据固定实际计算，聊天证据证明用户式请求能够到达预期路径，语义检查则阻止无关文件、空产物或虚构摘要获得成功状态。
结果与产物
在纳入分析者中，Supplement X 组感染风险为12/42即28.57%，对照组为18/56即32.14%，绝对风险差为−3.57个百分点；由于差异性失访、分配隐藏不清、参与者和评价者未盲以及数据收集后更换注册主要结局，验证评价将证据确定性评为极低，不能确立预防效果。
该应用截图聚焦经过验证的结果报告，而不是文件列表、原始 JSON 编辑器或提示词输入框。其来源通过截图清单与 SHA-256 摘要绑定到保留报告。
表格图由保留输出字段生成，便于快速视觉核查；机器可读原始产物仍然是权威来源，不能以图片替代后续计算。
产物清单展示真实交付文件与字节数。非空文件只是必要条件，最终科学通过状态仍由技能专用语义验证器决定。
安装与透明复现
验证路线使用技能附带的安装器或受约束运行包装器，没有借用无关系统程序。软件包下载低于本机轻量测试上限，环境保留在受管理的本地前缀中，以便修复失败而不丢弃证据。精确命令位于 case.json 和尝试日志中，可审计路径解析和参数引用。
python test/scientific-skills/run_skill_cycle.py scientific-critical-thinking
python test/scientific-skills/skills/scientific-critical-thinking/chat_e2e.py
python test/scientific-skills/validate_how_to.py test/scientific-skills/skills/scientific-critical-thinking
这些命令用于透明复现，并不要求科研用户自己编程。它们让开发者能够定位依赖、执行或技能提示中的问题，也让第三方复核者知道文章中的数值如何产生。
可复现性
保留尝试编号为 5，验证日期为2026年7月26日。主机为 Linux x86_64，采用 CPU 执行，没有声称 CUDA 验证。主要方法是主张与证据分离、风险及风险差直接计算、按领域偏倚风险评价、偏倚与不精确性区分以及校准式确定性表述。截图与可视资产清单记录来源产物、生成器或 Playwright 规范、聚焦定位器、应用路由、时间戳与 SHA-256 摘要。
独立复现时应保存完全相同的输入，比较依赖版本，依次执行原生计算、自然语言案例和语义验证，然后再解释报告。上游版本变化应视为新的验证条件，不能在没有测试的情况下默认等价。若结果影响高成本实验、设备操作或正式申请，还应由独立人员审查。
局限性
这是使用虚构汇总数据的评价练习，无法重建失访者的意向性治疗结局、估计调整效应，也不能依据未报告假设计算可靠的P值或置信区间，更不能替代方案、注册记录、统计分析计划和个体数据审查
本演示规模较小，无法测量生产规模性能，也不构成法规合规、临床有效性、普遍科学准确性或特定重要用途适用性的证明。外部服务与官方政策会变化，使用时必须重新检查。只要输出会影响实验、支出、硬件或正式提交，就仍然需要具备相应责任与专业知识的人进行复核。
参考文献
无需编程即可尝试此工作流
MindPlot 已内置支持本文演示的科学技能。用户只需用自然语言陈述科学目标，MindPlot 智能体会依据已安装技能编写并运行必要代码、保留交付产物并呈现结果供检查。可以访问 https://mindplot.ai 在线体验，也可以下载桌面版本，以获得更完整的工作体验和更强的本地数据隐私保护。