在下游任何环节开始信任数据之前，先对行式表格数据做一次结构审计，全部用标准库写成。plan-ml-experiment 决定的是独立单元应该是什么，这个 Skill 则盯着你手上真实的行，问那条边界经不经得起它们的检验。Skill 加载后，kernel.py sidecar 会把可复用的辅助函数装进常驻的 Python 内核。它不会自己去读数据集，也不会替你决定某个领域特有的异常该怎么处理。
一个 Skill 就是一个文件目录，所谓安装，就是把这个目录复制到 Agent 会去读的地方。有 Node 18+、且 PATH 上有 git（npm 靠它解析 github: 形式的包名）即可，无需先克隆仓库：
npx github:PKU-YuanGroup/OpenAI4S install audit-dataset --target claude
--target claude 写入 ~/.claude/skills，claude-project 写入 ./.claude/skills，openai4s 写入 <data_dir>/user-skills，--dir <path> 则写到你指定的任意位置。往目标写任何东西之前，都会先打印解析出的绝对路径；--dry-run 到此为止，不再写入。重装时，若目标副本被你改过、或者不是它自己装的，就拒绝覆盖；uninstall 也只删除它自己写过的文件。对于 npm 发布版中包含的配方，可用 npx @pku-yuangroup/openai4s-skills install audit-dataset --target claude 安装发布版本。npm 目录可能与当前仓库不同。
没有 Node 时，直接取这个目录——需要 .zip 上传时再打包。tarball 是整个仓库（超过 100 MB），下面这条管道是 POSIX shell（macOS、Linux、WSL）写法，只解出这一个目录：
curl -L https://codeload.github.com/PKU-YuanGroup/OpenAI4S/tar.gz/refs/heads/main \
| tar -xz --strip-components=2 OpenAI4S-main/skills/audit-dataset
python3 -m zipfile -c audit-dataset.zip audit-dataset
同一份内容的图形界面版本是点击下载整个仓库 zip 包，Windows 上也走这条路：解压后把 skills/audit-dataset/ 拷出来即可（unzip main.zip 'OpenAI4S-main/skills/audit-dataset/*' 只解这一个目录）。如果你本来就在跑 OpenAI4S，那这里没有任何东西需要安装——wheel 自带全部内置 Skill，且内置 Skill 优先于 <data_dir>/user-skills 里的同名副本。目标目录、来源记录，以及安装器拒绝去做的那些事：tools/skills-installer/。
| 文件 | 职责 |
|---|---|
SKILL.md |
分析前的流程，核心是泄漏这一问：同一个病人、同一个分子骨架、同一条时间序列，或者一对近似重复的记录，只要横跨了 split 的两侧，之后测出来的每个数字都会被抬高——哪怕行 ID 各不相同也一样。围绕它还有：schema 漂移和混合类型往往是解析或哨兵值的 bug，缺失要当成采集过程的事实来读而不是急着填补，重复 ID 未必是重复观测（也可能是合理的重复测量），target 是否均衡，以及审计必须留下的那份机器可读输出——没有说清查过哪些泄漏键、缺失值按什么策略处理，就不能把一份数据称作干净。 |
kernel.py |
以 audit_rows 为核心的可选 sidecar：校验传入的行与列参数，把值规整成确定性表示以便比较，逐列汇总缺失、观察到的类型和唯一值个数，统计重复行和不唯一的 ID，统计 target 的分布，并找出同时出现在 split 两侧的实体。不用 pandas，也不用 numpy。 |
结构上干净，不等于数据有代表性、标注可靠，也不等于不存在近似重复带来的泄漏。这些仍然要靠领域审阅。