Menu
把一份分析报告、手稿草稿或结论段落拆成原子陈述，逐条打到权威数据库与文献核验，并标注每条的支持/反驳/无证据状态。当用户要求核查结论、验证结果、检查引用是否属实、审阅手稿的事实性、或问"这些数字可靠吗"时使用。也在提交前的最后一道自查时使用。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
处理受控访问的人类数据（dbGaP、All of Us、UK Biobank、EGA、TCGA controlled）时的合规操作规程。当用户提到这些数据源、提到 TRE/RAP/Workbench、问"能不能用 AI 分析患者数据"、需要申请数据访问、或需要把分析提交进安全计算环境时使用。
把一个分析需求写成可复现的 Nextflow 或 Snakemake 工作流，含测试、容器 digest 固定、参考版本固定、provenance 输出。当用户要求做 RNA-seq/WGS/WES/ATAC-seq/单细胞分析、跑 nf-core 流程、批量处理测序数据、或需要"可复现的分析流程"时使用。也在需要把一段探索性 notebook 固化成生产流程时使用。
从生物医学知识图谱生成可检验假设。当用户要求提出研究假设、寻找机制解释、做靶点发现、药物重定位、或问"X 和 Y 之间可能有什么联系"时使用。也在需要为一个观察到的表型找候选通路时使用。
| name | claim-verification |
| description | 把一份分析报告、手稿草稿或结论段落拆成原子陈述，逐条打到权威数据库与文献核验，并标注每条的支持/反驳/无证据状态。当用户要求核查结论、验证结果、检查引用是否属实、审阅手稿的事实性、或问"这些数字可靠吗"时使用。也在提交前的最后一道自查时使用。 |
| allowed-tools | Read, Write, Grep, Glob, Bash(python -m provenance.*), mcp__pubmed__*, mcp__ot__*, mcp__chembl__*, mcp__c-trials__*, mcp__consensus__*, mcp__biorxiv__*, mcp__kg__*, mcp__codex__*, Agent(stats-auditor, bio-critic) |
| model | opus |
| effort | xhigh |
带核验与不带核验的差距是可量化的：GeneAgent 的 SelfVeri-Agent 把每条陈述 提取出来打到 18 个策展数据库（4 个 web API），富集术语的精确匹配率 从 56% 提升到 80.7%；在 15,848 条被核验的陈述中，84% 得到支持、8% 被反驳； 人工复查 132 个核验决定，92% 正确。
对陈述的验证 ≠ 对执行的验证。
Kosmos 为每一条陈述都给出了指向代码或文献的引用，独立科学家评判的 陈述准确率仍只有 79.4%。也就是说：一条陈述"有引用、读着对、格式规范" 可以同时是错的。
所以本 skill 的第 3 档必须包含独立重算，不能只做"读着像对"。 只做前两档就宣称已验证，是这个流程里最容易犯的错。
RUN_LEDGER.jsonl 找到对应执行记录？
（.claude/hooks/no_fabrication_exit.py 已强制，这里做二次确认并出报告）GSE\d+ / SRR\d+ / PRJ[EDN][A-Z]\d+ /
phs\d{6} 逐个解析。幻觉出来的 accession 是高频失败模式。Agent(stats-auditor)。拆成原子陈述（一条陈述 = 一个可独立判真假的命题），逐条路由：
| 陈述类型 | 路由到 |
|---|---|
| 基因-疾病关联 | mcp__ot__*（Open Targets，CC0，26.06 版本活跃） |
| 化合物-靶点活性 | mcp__chembl__* |
| 临床试验存在性/结果 | mcp__c-trials__* |
| 文献主张 | mcp__pubmed__* + mcp__consensus__* + mcp__biorxiv__* |
| 机制/通路 | mcp__kg__*（只查 asserted 命名空间） |
每条陈述输出四态之一：supported / refuted / no-evidence / out-of-scope。 "no-evidence" 不等于 "refuted"，也不等于 "可以保留" —— 它意味着 这条陈述在正文中必须降级为推测性表述，或删除。
门槛：整份文档的 supported 比例 ≥ 90% 才放行（G_V）。 参考 Kosmos 的 79.4% —— 那是有引用的情况下的上限，所以阈值必须高于它。
用不同的模型家族，理由是错误模式不相关。调 mcp__codex__codex：
任务：不要评价下面的分析，而是独立重新计算它的关键统计量。
输入：{run_dir}/results/ 下的原始输出文件 + {pipeline}
要求：
1. 用你自己的实现重算：{列出 3–5 个关键量}
2. 报告你的值与原值的相对偏差
3. 若偏差 > 1%，指出最可能的原因
4. 另外：试图反驳主结论。默认立场是"结论不成立"，需要证据说服你。
输出 JSON：{recomputed, values, max_relative_delta, refutations[]}
偏差判读：
results/verification_report.md：
# 核验报告
陈述总数 N / supported X (x%) / refuted Y / no-evidence Z
## 必须修改（refuted）
- [陈述原文] → [反驳证据 + 来源 URL] → [建议改法]
## 必须降级（no-evidence）
- [陈述原文] → [已查库与查询词] → [建议改成推测性表述或删除]
## 独立重算对照
| 量 | 原值 | 重算值 | 相对偏差 | 判读 |
## 未回应的反驳
（此节非空则 G_V 门不通过）
同时把逐条结果写成 results/claims.jsonl，供 provenance/agent_run_crate.py
装入 crate —— 核验记录本身也是 provenance 的一部分。
若数据涉及 All of Us：扫描所有表格，1–20 的参与者计数必须抑制
（0 允许），且不得发布能反推出被抑制计数的边际和或差值。
.claude/hooks/suppress_small_counts.py 会自动拦，但这里应主动检查一遍
——包括图形中的点数和图注里的 n。