scientific-agent-skillshypothesis-generation 技能的因果推断与声明纪律Estimand、偏差路径与声明语言规范【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本文基于 scientific-agent-skills 仓库中hypothesis-generation技能的参考文档 causal_inference_and_claims.md系统讲解该技能如何约束从观察走向因果的全部环节先区分五类科学目标再定义因果 estimand估计目标然后逐一排查混杂、选择、碰撞、反向因果与测量偏差最后用受约束的声明语言和配套的本地 linterlint_causal_claims.py对 Markdown 草稿做词法级审计。读完后你将掌握一套可复制的因果声明纪律如何在写作前固定 estimand、如何为每一行因果语言标注识别逻辑与风险状态、以及如何用确定性 CLI 工具自查声明语言与证据强度是否匹配。五类科学目标先回答你在问什么该文档的核心立场是关联、预测、干预效应与机制回答的是不同的问题在动笔之前必须先明确自己的科学目标属于哪一类描述性Descriptive分布或模式是什么关联性Associational观测数据中测量到的变量如何共同变化预测性Predictive在目标场景中信息对结局的预测能力如何因果性Causal在指定的干预或暴露条件下什么会不同机制性Mechanistic因果变化通过什么过程发生文档特别指出一个常见误区模型可以预测得很准却没有识别出任何因果效应一个随机化效应估计可以识别干预对比却远未建立完整机制。这与技能主文件 SKILL.md 中绝不从关联、时间顺序、预测准确度或模型输出推断因果的硬性边界Non-negotiable boundaries一脉相承——五类目标正是该边界在分析层面的具体展开。对应地SKILL.md 的工作流第 6 步声明声明类型与 estimand要求把每个目标归类为 descriptive / associational / predictive / causal / mechanistic 五类之一再进入本文后续的 estimand 与偏差风险流程。定义因果 Estimand先于估计量存在的估计目标文档遵循因果问题框架与 ICH E9(R1) 原则在适用时要求在选择任何估计量或模型之前先书面固定因果 estimand 的八个要素总体/系统Population/system该对比适用于谁、适用于什么系统干预/暴露Intervention/exposure设定、分配或对比的条件是什么比较Comparator与之对比的替代条件是什么结局Outcome什么变量受到影响、如何测量时间范围Time horizon结局在何时评估总体摘要Population summary均值差、风险比、分位数对比、生存摘要或其他目标量。中间事件Intercurrent events当分配后事件影响解释或测量时如何处理治疗版本Treatment versions干预是否被充分良好地定义这条estimand 先于 estimator的纪律在仓库的 schema 校验器中得到了强制模板记录 hypothesis_record_template.json 的顶层键包含causal_estimands而测试 test_scripts.py 中的test_causal_question_requires_estimand验证了一旦causal_estimands为空校验报告即报CAUSAL_QUESTION_REQUIRES_ESTIMAND错误记录被判为无效。也就是说提出因果问题却没有 estimand 在工具链层面是结构性不通过而不只是写作建议。反事实对比与观测数据下的识别假设因果效应比较的是同一目标单元在不同条件下的结局而同一单元通常不可能同时观测两种条件因此识别依赖设计与假设。对观测性数据文档要求明确列出七类声明目标试验模拟target-trial analogue或其他设计逻辑一致性/良好定义干预假设可交换性/无未测混杂假设正值性/重叠positivity/overlap干扰假设interference测量与缺失假设估计过程引入的模型假设。文档还有一句关键的写作禁令不要写已控制混杂controlled for confounding仿佛调整就证明了可交换性。统计调整只能消除已测量、已正确纳入的混杂路径它不能自证无未测混杂。偏差路径逐一排查文档把偏差风险拆成五条路径每条都给出了具体的风险点与应对手段。这是本技能在候选解释生成SKILL.md 工作流第 5 步中的核心清单——rival 候选解释必须覆盖混杂、选择、碰撞、反向因果与测量这几类偏误。混杂Confounding暴露/干预与结局的共同原因可以制造或掩盖关联。文档列出的应对包括设计、可行的伦理下随机化、限制、匹配、测量并调整有依据的共同原因、阴性对照、敏感性分析或三角验证。具体风险有四类未测量或测量粗糙的共同原因受先前治疗影响的时间依变量混杂对工具变量、中介变量或碰撞变量的不当调整粗糙分类后的残余混杂。选择偏差Selection bias样本进入、分析进入、随访或结局观测本身可能同时依赖于暴露与结局的原因。文档要求记录以下信息抽样与纳入标准、参与与知情同意、剔除、失访与删失、完整病例限制、测量可得性以及数据链接引入的条件化。碰撞偏差Collider bias碰撞变量是两变量的共同结果对其或其后代变量做条件化会打开非因果路径。文档列举的常见来源进入研究或亚组的筛选限制为已诊断、住院、已检测或存活者调整暴露后受结局另一原因影响的变量在缺失机制共同受因时使用完整病例。协变量越多并不自动更好——这一句直接反对把所有变量塞进模型的默认做法。反向因果Reverse causation结局或其前驱因素可能反过来影响暴露或测量横断面顺序对方向性的证据尤其弱。文档给出的对策是时间序列设计、滞后测量、新发结局、干预、阴性对照或必要时显式保留双向候选。测量偏差Measurement bias测量误差可以衰减或膨胀估计值、随暴露或结局不同而不同、诱导表观交互、扭曲协变量调整、影响进入分析的筛选。文档强调操作化与验证是因果设计的一部分不是事后的文档任务——这一点与 SKILL.md 第 8 步操作化并验证测量及其检查脚本check_operationalization.py的分工相吻合。中介、效应修饰与混杂先标注角色再分析文档用三条规则区分三种极易混淆的角色**中介mediator**位于因果路径上对它做调整会把目标从总效应改为直接效应或受控效应并引入额外假设**效应修饰effect modifier**描述因果对比在分层间的差异它与统计交互并非在所有尺度上同义混杂confounder是相对于目标因果对比与设计定义的而不是与结局相关这么简单。文档要求在分析之前标注每个变量的预期角色并用领域知识与因果结构如 DAG给出依据。阴性对照不是装饰性的未处理组文档依据 Lipsitch、Tchetgen Tchetgen 和 Cohen 的框架区分两类阴性对照阴性对照暴露不应通过所提议机制引起目标结局但应与目标暴露共享相关混杂/偏差路径阴性对照结局不应被目标暴露通过所提议机制引起但应共享相关偏差路径。每个阴性对照必须书面回答五个问题为何目标机制不可能起作用、应共享哪些偏差、预期结果是什么、对照失败意味着什么、对照非零结果的替代解释有哪些。文档同时划定能力边界阴性对照在假设下能检测部分偏差但不能证明偏差的缺席。这与 SKILL.md 工作流第 7 步阴性对照必须是无法通过目标机制起效、且共享相关偏差路径的对照而非装饰性未处理组的表述一致并在资产模板 falsification_controls_template.json 中以结构化字段落地。声明语言规则关联、因果、机制三档措辞文档给出三档声明语言的使用条件关联性声明可使用was associated with与……相关co-varied with与……共同变化predicted in the evaluated dataset在所评估数据集中做出预测the adjusted association调整后的关联。并且必须同时说明设计、总体、时间点、效应/摘要度量、不确定性与局限。因果动词causes、reduces、prevents 等只有在同时满足五个条件时才能使用因果 estimand 明确、设计/识别逻辑已陈述、假设与敏感性分析可见、混杂/选择/碰撞/反向因果/测量风险均已被处理、语言与证据强度校准。对观测性研究文档建议用在所述假设下估计的因果效应estimated causal effect under the stated assumptions替代不加限定的因果断言。机制性声明需要区分五类证据对过程步骤的直接证据、中介或中间测量、扰动/救援证据、时间顺序、以及仅凭类比或合理性。文档的总结句是一个因果干预效应本身并不验证所提议的路径。Markdown 声明标注与本地 Linter该技能把上述语言规则落成了一套行内标注语法并配套一个纯词法、本地、确定性的 linterlint_causal_claims.py。标注示例来自参考文档逐行生效[claim:associational] Exposure X was associated with outcome Y in the observed cohort. [claim:causal][estimand:E1][identification:observational_assumption_dependent][confounding:unresolved][selection:assessed][collider:assessed][reverse-causation:assessed] Under the stated assumptions, intervention X would reduce outcome Y over 12 months.运行方式python3 scripts/lint_causal_claims.py local-draft.md该命令在技能目录内以相对路径执行-o可选输出 JSON 报告--force允许覆盖已有输出文件。从源码看标注语法与校验规则阅读 lint_causal_claims.py 可以确认文档中规则的完整实现细节允许的标注键由正则TAG_RE限定为六个claim、estimand、identification、confounding、selection、collider、reverse-causation大小写不敏感允许的声明类型CLAIM_TYPES为causal、associational、descriptive、predictive、mechanistic与五类科学目标一一对应允许的识别类型IDENTIFICATION_TYPES包括randomized、quasi_experimental、observational_assumption_dependent、mechanistic_experiment、other_assumption_dependent——注意后两个明确保留了假设依赖这一状态风险状态RISK_STATES只有三个assessed、unresolved、not_applicable。文档对此有一句重要澄清assessed 只记录存在人工评估并不意味着风险不存在因果声明的必备标注REQUIRED_CAUSAL_TAGS为estimand、identification以及四个风险标注confounding / selection / collider / reverse-causation任一缺失都会报CAUSAL_CLAIM_MISSING_*_TAG错误。触发词与错误码linter 用两个词法正则驱动核心检查见 lint_causal_claims.pyCAUSAL_RE匹配 causes/caused/causal effect/effect of/leads to/results in/increases/reduces/prevents/improves/worsens/drives/mediates/produces 等因果动词ASSOCIATION_RE匹配 associated with/association/correlates with/correlation/co-varied with/predicts/linked to 等关联表述。由此产生的主要错误/警告语义包括代码级别含义UNMARKED_CAUSAL_LANGUAGE错误行内出现因果动词但没有[claim:...]标注CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM错误标注为associational等却使用了因果动词——即用标签掩盖因果语言CAUSAL_CLAIM_MISSING_*_TAG错误因果声明缺少六个必备标注之一INVALID_CLAIM_TYPE/INVALID_IDENTIFICATION_TAG/INVALID_*_STATE错误标注取值不在允许集合内DUPLICATE_*_TAG错误同一标注键在一行重复UNRESOLVED_*_RISK警告某风险状态为unresolved——报告仍有效但风险被显式暴露ESTIMAND_TAG_ON_NONCAUSAL_CLAIM警告非因果声明携带 estimand 标注报告结构lint_causal_claims.py包含schema_version: 2.0、valid、statusVALID_LEXICAL_LINT或INVALID_CLAIM_MARKUP、errors、warnings、各声明类型计数、因果/关联触发行计数以及一段固定notice该确定性词法 lint不能判定某语言是否真正因果、estimand 是否定义良好、识别假设是否成立所有被标记与未被标记的声明都需人工复核。这与文档linter 是词法的可能漏掉因果语言、可能误报良性短语、无法判断设计是否识别了效应的声明完全一致。测试 test_scripts.py 固化了三条关键行为test_unmarked_causal_language_is_invalidCondition X causes outcome Y.一行直接报UNMARKED_CAUSAL_LANGUAGE且报告中不含原文片段只输出规则码与行号test_fully_annotated_causal_claim_is_structurally_valid文档中的完整标注示例行校验通过同时因[confounding:unresolved]产生UNRESOLVED_CONFOUNDING_RISK警告——结构有效与风险未解决并存这正是文档所倡导的表达方式test_associational_tag_cannot_hide_causal_verb[claim:associational]标签下使用causes动词被CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM拒绝即标签不能用来洗白因果语言。退出码遵循技能约定的三段式0结构有效、1完成校验但存在错误、2输入格式错误/不安全见 SKILL.md 的本地工具索引与 tool_reference.md 的完整 schema 说明。干预试验语境报告规范不等于有效性证明文档最后为干预类假设划定试验语境清单目标、estimand、结局、时间点、伤害与分析保持一致方案报告采用 SPIRIT 2025、试验结果报告采用 CONSORT 2025保留对方案与统计分析计划的访问报告启动后的重要变更与非预设结局/分析在适用时包含伤害与参与者/公众参与。文档同时给出能力边界报告完整性不是伦理批准、设计有效性、监管合规或治疗有效性的证明。这一句与 SKILL.md 中脚本批准不是伦理、安全、监管或科学批准的原则互相呼应也提醒读者本文讨论的全部工具链schema 校验、词法 lint、对照审计都是结构与一致性检查判定科学结论的责任始终在人工。小结把声明纪律做成可执行流水线该参考文档的价值在于把因果推断中通常只存在于专家头脑里的纪律拆解为三层可验证工件estimand 清单——八个要素在分析前固定schema 层面强制CAUSAL_QUESTION_REQUIRES_ESTIMAND偏差路径清单——混杂、选择、碰撞、反向因果、测量五类风险各自有识别信号与记录项候选 rival 必须覆盖声明语言 行内标注 词法 linter——三类语言各有使用条件标注语法与风险状态由 lint_causal_claims.py 确定性校验测试 test_scripts.py 固化其行为。需要始终记住的适用前提这些工具是无网络、无外部依赖、本地确定性运行SKILL.md 声明要求 Python 3.11 标准库它们校验的是声明是否与其声称的证据等级匹配而非科学真值linter 本身也是词法的最终判断必须保留给人工复核。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 scientific-agent-skills：hypothesis-generation 技能的因果推断与声明纪律（Estimand、偏差路径与声明语言规范）
scientific-agent-skillshypothesis-generation 技能的因果推断与声明纪律Estimand、偏差路径与声明语言规范【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本文基于 scientific-agent-skills 仓库中hypothesis-generation技能的参考文档 causal_inference_and_claims.md系统讲解该技能如何约束从观察走向因果的全部环节先区分五类科学目标再定义因果 estimand估计目标然后逐一排查混杂、选择、碰撞、反向因果与测量偏差最后用受约束的声明语言和配套的本地 linterlint_causal_claims.py对 Markdown 草稿做词法级审计。读完后你将掌握一套可复制的因果声明纪律如何在写作前固定 estimand、如何为每一行因果语言标注识别逻辑与风险状态、以及如何用确定性 CLI 工具自查声明语言与证据强度是否匹配。五类科学目标先回答你在问什么该文档的核心立场是关联、预测、干预效应与机制回答的是不同的问题在动笔之前必须先明确自己的科学目标属于哪一类描述性Descriptive分布或模式是什么关联性Associational观测数据中测量到的变量如何共同变化预测性Predictive在目标场景中信息对结局的预测能力如何因果性Causal在指定的干预或暴露条件下什么会不同机制性Mechanistic因果变化通过什么过程发生文档特别指出一个常见误区模型可以预测得很准却没有识别出任何因果效应一个随机化效应估计可以识别干预对比却远未建立完整机制。这与技能主文件 SKILL.md 中绝不从关联、时间顺序、预测准确度或模型输出推断因果的硬性边界Non-negotiable boundaries一脉相承——五类目标正是该边界在分析层面的具体展开。对应地SKILL.md 的工作流第 6 步声明声明类型与 estimand要求把每个目标归类为 descriptive / associational / predictive / causal / mechanistic 五类之一再进入本文后续的 estimand 与偏差风险流程。定义因果 Estimand先于估计量存在的估计目标文档遵循因果问题框架与 ICH E9(R1) 原则在适用时要求在选择任何估计量或模型之前先书面固定因果 estimand 的八个要素总体/系统Population/system该对比适用于谁、适用于什么系统干预/暴露Intervention/exposure设定、分配或对比的条件是什么比较Comparator与之对比的替代条件是什么结局Outcome什么变量受到影响、如何测量时间范围Time horizon结局在何时评估总体摘要Population summary均值差、风险比、分位数对比、生存摘要或其他目标量。中间事件Intercurrent events当分配后事件影响解释或测量时如何处理治疗版本Treatment versions干预是否被充分良好地定义这条estimand 先于 estimator的纪律在仓库的 schema 校验器中得到了强制模板记录 hypothesis_record_template.json 的顶层键包含causal_estimands而测试 test_scripts.py 中的test_causal_question_requires_estimand验证了一旦causal_estimands为空校验报告即报CAUSAL_QUESTION_REQUIRES_ESTIMAND错误记录被判为无效。也就是说提出因果问题却没有 estimand 在工具链层面是结构性不通过而不只是写作建议。反事实对比与观测数据下的识别假设因果效应比较的是同一目标单元在不同条件下的结局而同一单元通常不可能同时观测两种条件因此识别依赖设计与假设。对观测性数据文档要求明确列出七类声明目标试验模拟target-trial analogue或其他设计逻辑一致性/良好定义干预假设可交换性/无未测混杂假设正值性/重叠positivity/overlap干扰假设interference测量与缺失假设估计过程引入的模型假设。文档还有一句关键的写作禁令不要写已控制混杂controlled for confounding仿佛调整就证明了可交换性。统计调整只能消除已测量、已正确纳入的混杂路径它不能自证无未测混杂。偏差路径逐一排查文档把偏差风险拆成五条路径每条都给出了具体的风险点与应对手段。这是本技能在候选解释生成SKILL.md 工作流第 5 步中的核心清单——rival 候选解释必须覆盖混杂、选择、碰撞、反向因果与测量这几类偏误。混杂Confounding暴露/干预与结局的共同原因可以制造或掩盖关联。文档列出的应对包括设计、可行的伦理下随机化、限制、匹配、测量并调整有依据的共同原因、阴性对照、敏感性分析或三角验证。具体风险有四类未测量或测量粗糙的共同原因受先前治疗影响的时间依变量混杂对工具变量、中介变量或碰撞变量的不当调整粗糙分类后的残余混杂。选择偏差Selection bias样本进入、分析进入、随访或结局观测本身可能同时依赖于暴露与结局的原因。文档要求记录以下信息抽样与纳入标准、参与与知情同意、剔除、失访与删失、完整病例限制、测量可得性以及数据链接引入的条件化。碰撞偏差Collider bias碰撞变量是两变量的共同结果对其或其后代变量做条件化会打开非因果路径。文档列举的常见来源进入研究或亚组的筛选限制为已诊断、住院、已检测或存活者调整暴露后受结局另一原因影响的变量在缺失机制共同受因时使用完整病例。协变量越多并不自动更好——这一句直接反对把所有变量塞进模型的默认做法。反向因果Reverse causation结局或其前驱因素可能反过来影响暴露或测量横断面顺序对方向性的证据尤其弱。文档给出的对策是时间序列设计、滞后测量、新发结局、干预、阴性对照或必要时显式保留双向候选。测量偏差Measurement bias测量误差可以衰减或膨胀估计值、随暴露或结局不同而不同、诱导表观交互、扭曲协变量调整、影响进入分析的筛选。文档强调操作化与验证是因果设计的一部分不是事后的文档任务——这一点与 SKILL.md 第 8 步操作化并验证测量及其检查脚本check_operationalization.py的分工相吻合。中介、效应修饰与混杂先标注角色再分析文档用三条规则区分三种极易混淆的角色**中介mediator**位于因果路径上对它做调整会把目标从总效应改为直接效应或受控效应并引入额外假设**效应修饰effect modifier**描述因果对比在分层间的差异它与统计交互并非在所有尺度上同义混杂confounder是相对于目标因果对比与设计定义的而不是与结局相关这么简单。文档要求在分析之前标注每个变量的预期角色并用领域知识与因果结构如 DAG给出依据。阴性对照不是装饰性的未处理组文档依据 Lipsitch、Tchetgen Tchetgen 和 Cohen 的框架区分两类阴性对照阴性对照暴露不应通过所提议机制引起目标结局但应与目标暴露共享相关混杂/偏差路径阴性对照结局不应被目标暴露通过所提议机制引起但应共享相关偏差路径。每个阴性对照必须书面回答五个问题为何目标机制不可能起作用、应共享哪些偏差、预期结果是什么、对照失败意味着什么、对照非零结果的替代解释有哪些。文档同时划定能力边界阴性对照在假设下能检测部分偏差但不能证明偏差的缺席。这与 SKILL.md 工作流第 7 步阴性对照必须是无法通过目标机制起效、且共享相关偏差路径的对照而非装饰性未处理组的表述一致并在资产模板 falsification_controls_template.json 中以结构化字段落地。声明语言规则关联、因果、机制三档措辞文档给出三档声明语言的使用条件关联性声明可使用was associated with与……相关co-varied with与……共同变化predicted in the evaluated dataset在所评估数据集中做出预测the adjusted association调整后的关联。并且必须同时说明设计、总体、时间点、效应/摘要度量、不确定性与局限。因果动词causes、reduces、prevents 等只有在同时满足五个条件时才能使用因果 estimand 明确、设计/识别逻辑已陈述、假设与敏感性分析可见、混杂/选择/碰撞/反向因果/测量风险均已被处理、语言与证据强度校准。对观测性研究文档建议用在所述假设下估计的因果效应estimated causal effect under the stated assumptions替代不加限定的因果断言。机制性声明需要区分五类证据对过程步骤的直接证据、中介或中间测量、扰动/救援证据、时间顺序、以及仅凭类比或合理性。文档的总结句是一个因果干预效应本身并不验证所提议的路径。Markdown 声明标注与本地 Linter该技能把上述语言规则落成了一套行内标注语法并配套一个纯词法、本地、确定性的 linterlint_causal_claims.py。标注示例来自参考文档逐行生效[claim:associational] Exposure X was associated with outcome Y in the observed cohort. [claim:causal][estimand:E1][identification:observational_assumption_dependent][confounding:unresolved][selection:assessed][collider:assessed][reverse-causation:assessed] Under the stated assumptions, intervention X would reduce outcome Y over 12 months.运行方式python3 scripts/lint_causal_claims.py local-draft.md该命令在技能目录内以相对路径执行-o可选输出 JSON 报告--force允许覆盖已有输出文件。从源码看标注语法与校验规则阅读 lint_causal_claims.py 可以确认文档中规则的完整实现细节允许的标注键由正则TAG_RE限定为六个claim、estimand、identification、confounding、selection、collider、reverse-causation大小写不敏感允许的声明类型CLAIM_TYPES为causal、associational、descriptive、predictive、mechanistic与五类科学目标一一对应允许的识别类型IDENTIFICATION_TYPES包括randomized、quasi_experimental、observational_assumption_dependent、mechanistic_experiment、other_assumption_dependent——注意后两个明确保留了假设依赖这一状态风险状态RISK_STATES只有三个assessed、unresolved、not_applicable。文档对此有一句重要澄清assessed 只记录存在人工评估并不意味着风险不存在因果声明的必备标注REQUIRED_CAUSAL_TAGS为estimand、identification以及四个风险标注confounding / selection / collider / reverse-causation任一缺失都会报CAUSAL_CLAIM_MISSING_*_TAG错误。触发词与错误码linter 用两个词法正则驱动核心检查见 lint_causal_claims.pyCAUSAL_RE匹配 causes/caused/causal effect/effect of/leads to/results in/increases/reduces/prevents/improves/worsens/drives/mediates/produces 等因果动词ASSOCIATION_RE匹配 associated with/association/correlates with/correlation/co-varied with/predicts/linked to 等关联表述。由此产生的主要错误/警告语义包括代码级别含义UNMARKED_CAUSAL_LANGUAGE错误行内出现因果动词但没有[claim:...]标注CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM错误标注为associational等却使用了因果动词——即用标签掩盖因果语言CAUSAL_CLAIM_MISSING_*_TAG错误因果声明缺少六个必备标注之一INVALID_CLAIM_TYPE/INVALID_IDENTIFICATION_TAG/INVALID_*_STATE错误标注取值不在允许集合内DUPLICATE_*_TAG错误同一标注键在一行重复UNRESOLVED_*_RISK警告某风险状态为unresolved——报告仍有效但风险被显式暴露ESTIMAND_TAG_ON_NONCAUSAL_CLAIM警告非因果声明携带 estimand 标注报告结构lint_causal_claims.py包含schema_version: 2.0、valid、statusVALID_LEXICAL_LINT或INVALID_CLAIM_MARKUP、errors、warnings、各声明类型计数、因果/关联触发行计数以及一段固定notice该确定性词法 lint不能判定某语言是否真正因果、estimand 是否定义良好、识别假设是否成立所有被标记与未被标记的声明都需人工复核。这与文档linter 是词法的可能漏掉因果语言、可能误报良性短语、无法判断设计是否识别了效应的声明完全一致。测试 test_scripts.py 固化了三条关键行为test_unmarked_causal_language_is_invalidCondition X causes outcome Y.一行直接报UNMARKED_CAUSAL_LANGUAGE且报告中不含原文片段只输出规则码与行号test_fully_annotated_causal_claim_is_structurally_valid文档中的完整标注示例行校验通过同时因[confounding:unresolved]产生UNRESOLVED_CONFOUNDING_RISK警告——结构有效与风险未解决并存这正是文档所倡导的表达方式test_associational_tag_cannot_hide_causal_verb[claim:associational]标签下使用causes动词被CAUSAL_LANGUAGE_IN_NONCAUSAL_CLAIM拒绝即标签不能用来洗白因果语言。退出码遵循技能约定的三段式0结构有效、1完成校验但存在错误、2输入格式错误/不安全见 SKILL.md 的本地工具索引与 tool_reference.md 的完整 schema 说明。干预试验语境报告规范不等于有效性证明文档最后为干预类假设划定试验语境清单目标、estimand、结局、时间点、伤害与分析保持一致方案报告采用 SPIRIT 2025、试验结果报告采用 CONSORT 2025保留对方案与统计分析计划的访问报告启动后的重要变更与非预设结局/分析在适用时包含伤害与参与者/公众参与。文档同时给出能力边界报告完整性不是伦理批准、设计有效性、监管合规或治疗有效性的证明。这一句与 SKILL.md 中脚本批准不是伦理、安全、监管或科学批准的原则互相呼应也提醒读者本文讨论的全部工具链schema 校验、词法 lint、对照审计都是结构与一致性检查判定科学结论的责任始终在人工。小结把声明纪律做成可执行流水线该参考文档的价值在于把因果推断中通常只存在于专家头脑里的纪律拆解为三层可验证工件estimand 清单——八个要素在分析前固定schema 层面强制CAUSAL_QUESTION_REQUIRES_ESTIMAND偏差路径清单——混杂、选择、碰撞、反向因果、测量五类风险各自有识别信号与记录项候选 rival 必须覆盖声明语言 行内标注 词法 linter——三类语言各有使用条件标注语法与风险状态由 lint_causal_claims.py 确定性校验测试 test_scripts.py 固化其行为。需要始终记住的适用前提这些工具是无网络、无外部依赖、本地确定性运行SKILL.md 声明要求 Python 3.11 标准库它们校验的是声明是否与其声称的证据等级匹配而非科学真值linter 本身也是词法的最终判断必须保留给人工复核。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考