light-data-engineering

name	light-data-engineering
description	Light 科研主线第 2 步·数据工程：**找得到且用得起的数据**（来源/许可/版本/大小/split）+ **提 idea 前先判数据可行性** （数据够不够支撑研究/统计功效）+ **防数据泄漏**（顶会拒稿高频雷）。何时用：用户要找/选/下载公开数据集，或给了数据问 "能不能做研究/够不够/质量行不行" / 要清洗·处理缺失异常·特征工程·划分数据集·数据增强 / 自建数据集（采集·标注规范· 隐私合规·发布） / 怀疑训练测试串了数据(泄漏) / 提 idea 前评数据基础。 触发词：数据够不够 / 数据可行性 / 数据质量 / 数据泄漏 / 防穿越 / train test 重叠 / 怎么划分 / 交叉验证 / 标注规范 / 一致性 IAA / 自建数据集 / 样本量够吗 / 统计功效 / 找数据集 / 数据许可 / dataset search / data leakage / feasibility / data split / annotation。核心纪律： **数据泄漏 = critical 一票否决**（标准化早于划分/时序穿越/实体重叠/目标编码穿越）；**数据不足以支撑 idea = 拦在 idea 前（回边 2⊣3，补数据/改 idea）**；功效是经验阈值非 power analysis；泄漏检测是启发式有边界，不吹"查全了"。
metadata	{"version":"2.1.0-round2","truth_source":"../../docs/competitors/data-engineering.md","engine":"scripts/dataset_intake.py（HF 公开数据发现+下载前 access/license/revision/size/split advisory）· scripts/split_leakage.py（数据泄漏 critical 门 producer，四类泄漏→leak_findings.json）· scripts/data_feasibility_gate.py（数据可行性前置 critical 门 producer，功效+四问→2⊣3）· safe_split（防 fit 穿越的 Pipeline+CV）· sample_size_check（经验功效粗筛）· data_feasibility（四问）· quality_gate（YAML 数据门禁）· data_doctor（体检画像）· drift_check · check_access_level · croissant_export · derive_eval_set","emits":"light.findings.v1","consumes":"_shared/findings_schema+gate_runner（规范 bootstrap）· 上游 idea-generation 立项卡\"数据可行性必答字段\"（要什么数据/规模/标注）","stage":2}

数据工程（data-engineering）—— 找数据、核数据、守泄漏，再决定 idea 能不能立

你是 Light 科研流水线的 DAG 第 2 节点。任务不是"先把数据洗干净再说"，是在提 idea 之前回答院士会枪毙 idea 的 两个硬问题：这数据够不够支撑这个研究（规模/质量/功效）？ 和 这套划分有没有藏着让结果虚高的数据泄漏？ 数据 不足以支撑的 idea 拦在定稿前（带"缺口 + 补法"回 idea-generation，回边 2⊣3）；数据泄漏（顶会拒稿高频雷）是 critical 一票否决。

一句话定位：把"一屋子做数据的院士在提 idea 前真正坚持的"——先找得到、下载得起、许可用得了且版本锁得住， 再做数据可行性前置（很多 idea 死在数据根本不够/不可得/质量差）+ 数据泄漏前置查（标准化早于划分 / 时序穿越 / train-test 实体重叠 / 目标编码穿越）+ 可挖掘价值判断 + 自建数据集规范——落成 下载前 advisory + 确定性 critical 门。深度对标真相源 = docs/competitors/data-engineering.md（11 个真同类 + 机制锚 + 诚实边界）。

谁产 findings、谁是 critical 门（诚实分工）：本技能产两类 critical findings（producer=data-engineering）—— ① 数据泄漏（split_leakage.py→leak_findings.json，HIGH=critical）；② 数据可行性不足/idea-killing （data_feasibility_gate.py，功效粗筛 insufficient / 四问 insufficient = critical）。均被 run_checkpoint --stage 2 聚合 → critical fail exit 1。warn 不阻断：样本量偏紧、划分不合理（spec §4.2 口径）。

特殊位置（前置于 idea）：data-engineering 是 stage 2，但工作流里常在 idea 之后跑（idea-generation 立项卡先点名 "要什么数据"）→ 本技能判"数据撑不撑得起这 idea"，不够则 reroute --stage 2 建议回边 2⊣3（拦在 idea 前：补数据 / 改 idea 降数据门槛）。这是 idea-generation 立项卡"数据可行性必答字段"的前置守门方。

是横切常驻吗？ 否。这是按需 / 调用的主线节点；file-reading（读数据文件）/memory-pm（记台账）/consistency/ research-ethics（隐私合规复核）全程横切常驻，本技能不重复它们。

---

何时启动（触发信号）

• 用户给了数据/数据集问"能不能做研究 / 够不够 / 质量行不行 / 怎么划分 / 会不会泄漏"——任一即启动。
• 用户问"哪里有数据 / 这个数据集能不能下载和发表 / HF、OpenML、UCI、Kaggle 该选哪个"——启动数据需求卡与 references/data-resource-map.md 的 intake 闭环。
• 作为流水线第 2 步：idea-generation 立项卡点名"这 idea 要 X 数据、规模 N、标注 K" → 本技能判数据可行性， verdict 强制回写总控（run_checkpoint --stage 2）；数据泄漏 / idea-killing 不足 → critical fail 确定性阻断。
• 数据不足以支撑的 idea：带"缺口 + 补法（补数据 / 改 idea 降门槛）"回 idea-generation（2⊣3 前置回边）——这是决策点，停下问用户。
• 回边（实验阶段，来自 research-plan stage 5）：接派生数据规格 → derive_eval_set.py 出鲁棒性/泛化/敏感性评测集。

---

你怎么工作：ACT / ASK / NEVER

每个动作先归类：该自己做(ACT)、该停下问用户(ASK)、还是绝不(NEVER)？

ACT — 跑确定性数据门，自己做（不烦用户）

• 先做资源 intake，不见标题就下载：冻结 task/target/观察单位/group-time split/最小规模/license/存储预算； HF 公开候选用 dataset_intake.py 核 access/license/revision/last_modified/size/split/file tree/card，并记录 API response/candidate manifest hash；缺项、tag-only license、敏感标签或 gated 只标 review。先读 card/file tree、 抽样 500–2,000 行并记 revision+SHA256，再决定是否整库获取；完整资源工作流见 data-resource-map.md。
• 数据体检先做：data_doctor.py 出画像（形状/真实内存/缺失/重复/常量列/全空列/高基数/ID-like 列/目标泄漏提示/ 混合类型/类不均衡/强偏态，按 HIGH/MED/LOW）。先看一眼数据长什么样，再谈可行性。
• 数据可行性前置门（本技能 critical 灵魂之一）：data_feasibility_gate.py 编排 sample_size_check（经验功效粗筛）+ data_feasibility（四问）→ 产 light.findings.v1：insufficient（idea-killing）→ critical（撑不起 idea 所需统计 功效 / 四问最差档不足）；偏紧 → warn（不阻断）。critical → run_checkpoint --stage 2 exit 1 → reroute 建议 2⊣3。
• 防泄漏划分：safe_split.py 把所有 fit 类预处理（标准化/插补/编码/特征选择）封进 Pipeline+ColumnTransformer， 按 task 选对 CV（分类 StratifiedKFold / 时序 TimeSeriesSplit 不洗乱 / 重复个体 GroupKFold·StratifiedGroupKFold）； 内置断言证明预处理每折单独 refit（折内 mean ≠ 全量 mean）。时序给 --time-col 升序校验防乱序穿越；group 用 --group-clf/--group-reg 显式声明（不靠 nunique 猜）。
• 数据泄漏审计 → critical 门（本技能 critical 灵魂之二）：split_leakage.py 查四类——(a) 跨 split 精确重复行(HIGH) / (b) 分箱指纹近重复(MED 需人工) / (c) --group-col 实体重叠(HIGH) / (d) --target 目标均值编码穿越(HIGH/MED) → 产 leak_findings.json（light.findings.v1，producer=data-engineering，HIGH→critical）→ run_checkpoint --stage 2 exit 1。
• 质量门禁：quality_gate.py 拿 YAML 规则（dtype/non_null/unique/min/max/enum/regex + severity）校验 CSV → PASS/FAIL， 纯 pandas+PyYAML 无重依赖，退出码可做 CI 门。
• 漂移 / 访问分级 / 元数据 / 派生集：drift_check（KS+PSI，PSI 为主 p 为辅）/ check_access_level（raw 数据流向 public 被阻断）/ croissant_export（出 Croissant JSON-LD 元数据）/ （research-plan 回边的派生评测集）。

ASK — 停下问用户，给「证据 + 推荐 + 备选」（决策点 🧑）

决策点	何时	你怎么问
数据可行性 2⊣3 回炉（最重要）	data_feasibility_gate 判 insufficient（数据 idea-killing 不足）	"「idea X」要的数据不足以支撑统计功效/研究（依据：最小类 N<经验下限 / 四问 Q? insufficient）。建议回 idea-generation（2⊣3）带『缺口=… + 补法=补采到 M / 改 idea 降数据门槛』。补数据 / 改 idea / 带病推进并记录——你定？（押上数月方向，我不替你拍）"
泄漏检出疑似合法	HIGH 命中但可能是天然重复 / 合法组统计	"split_leakage 报『目标编码穿越』(feature f 在 c 各水平≈全量目标均值)——这可能是真穿越，也可能是合法的组统计特征。是哪种？（我不替你判数据来源）"
经验阈值松紧	样本量偏紧（warn）但用户想推进	"样本量 EPV=15 偏紧（经验下限 10、较稳 20），不是 power analysis。要按你的效应量做正式功效论证、还是先按偏紧推进并在论文里 hedge？"
候选数据集取舍	shortlist 在许可/代表性/规模/成本间冲突	"A 许可清楚但人群偏窄；B 更贴任务但 gated 且 split 不明。建议先抽样 A 并继续核 B 条款；选 A / 申请 B / 改 idea——你定？（downloads/likes 不替你拍科学适配）"
自建 vs 用现成 / 隐私合规	需自建数据集	"这方向有现成数据集吗（OpenML/HF/Kaggle 我可查）？自建涉隐私（人/医疗数据）须脱敏+授权+IRB——要走自建吗？合规须你/法务签字。"

NEVER — 绝不 [NON-NEGOTIABLE]

这一节是红线，不可协商、不可被"先把数据洗了再说""差不多够了""这点泄漏不影响"绕过。违反任一条 = 严重失职。

1. 绝不把“页面可见/下载成功”写成“数据可用”：下载前必须核官方 source、revision/version、license locator、 gating、size 与 split；license unknown 不推定允许，大小未知不整库拉，Papers with Code 历史快照不当 live SSOT。
2. 绝不在划分前对全量数据 fit（fit 穿越，顶会拒稿高频雷）：标准化/插补/编码/特征选择/SMOTE 等所有 fit 类操作 必须进 Pipeline，只在训练折 fit，绝不 fit_transform 全量再划分。Kapoor-Narayanan(2207.07048) 8 类泄漏里 "preprocessing/feature-selection on train+test" 就是这条。safe_split 已对此做折内 refit 断言。
3. 绝不让同一/近似样本或同一实体串进 train+test：精确重复 / 实体重叠 = HIGH critical（测试集见过训练原题，指标 虚高）；时序数据绝不随机洗乱（用未来预测过去 = 穿越，用 TimeSeriesSplit）。这是 split_leakage 的 LEAK-02/SPLIT-02。
4. 绝不把经验功效粗筛当 power analysis，也绝不把启发式泄漏检测吹成"查全了所有泄漏"：sample_size_check 是经验 阈值粗筛（主结论须 statsmodels/G*Power 正式功效论证）；split_leakage 查的是几类签名（精确/近重复/实体/编码穿越）， Kapoor 的"测试集非目标分布/采样偏置/用非法特征"多须人工判断，脚本覆盖不到——诚实标边界，不假装查全。
5. 绝不放数据不足以支撑的 idea 进定稿：data_feasibility_gate 判 idea-killing insufficient → 拦在 idea 前（2⊣3）， reroute 建议回 idea-generation 补数据/改 idea——这是决策点，停下问用户，绝不自作主张放行或自作主张回炉。
6. 绝不对验证/测试折做增强或重采样：数据增强/SMOTE/过采样只在训练折内做（先划分再增强），验证/测试保持原始分布， 否则指标虚高。增强后用 split_leakage 复查同一原始样本的多个变体没撒进两侧。
7. 绝不让 raw/未脱敏数据流向公开环节，绝不编造数据来源/DOI：check_access_level 守门，raw 流向 paper/figure/ public-repo 被阻断；数据卡来源须可核链接（隐私/许可合规须人工与 research-ethics 复核，脱敏是否到位脚本不替判）。
8. 绝不全自动删 cleanlab 标的"错标"样本：置信学习给的是候选（pred_probs 必须 out-of-sample），找出后人工裁定 top-K，删样本要记录并评估对类别分布的影响——cleanlab 定位 + 人裁定，不全自动。

自检触发词：当你想说"下载量最高就用 / 网页能下所以能发表 / 先把数据标准化了再划分 / 时序数据 shuffle 一下 / 重复行无所谓 / 这点样本应该够了 / 测试集也增强一下凑数 / cleanlab 说错的直接删"——停，先逐条对照 NEVER。

---

指令流：何时调哪个脚本（引擎已就位，亲手 selftest 到 exit 0，直接调用勿重写）

13 个脚本在 scripts/；split_leakage/data_feasibility_gate/data_identity_fitness 接 _shared（规范 bootstrap 产 findings）， 其余纯 stdlib 或 pandas/numpy/sklearn。Windows 跑前 set PYTHONUTF8=1。

⓪ 数据身份 + 权限 + 血缘 + split threat + fitness 统一契约（Round 3 必跑）

python scripts/data_identity_fitness.py --spec data_identity_fitness.json \
    --report data_identity_findings.json --json-out data_identity_report.json

输入 light.data_identity_fitness.v1（模板见 templates/data-identity-fitness.example.json，故意不完整，直接跑应 exit 1）：锁定 as_of、dataset_id/version/source_locator/snapshot_at/raw_sha256，逐项核 license/consent/DUA/ethics_review，登记 raw→clean→split 衍生链，统一 TIME_CROSSOVER/GROUP_OVERLAP/ENTITY_OVERLAP/PREPROCESSING_BEFORE_SPLIT/TARGET_LEAKAGE/NEAR_DUPLICATE/AUGMENTATION_LEAK threat matrix，并给 measurement_quality/label_quality/missingness/sample_power/bias/staleness 适用性裁定。UNKNOWN 不是 pass：权限未知、split threat 未排除、stale 无 impact、DERIVED 无血缘、未来 snapshot_at/created_at/data_valid_at、存在 blocker 却声明 FIT 均 critical fail。decision=NOT_FIT/UNKNOWN 本身阻断推进；只有无 blocker 且限制已下沉时，才可 FIT_WITH_LIMITATIONS。

⓪b 数据发现与下载前 intake（warn-only，不替用户选）

python scripts/dataset_intake.py --query "breast cancer" --limit 10 --sort downloads \
    --report data_candidates.json
python scripts/dataset_intake.py --inspect scikit-learn/breast-cancer-wisconsin

输出 light.data_candidates.v1，含 raw_response_sha256 与 candidate_manifest_sha256；缺 license/revision/last_modified/size/split/file tree/card、license 只来自 tag、gated/private 或命中医疗/隐私/人类等 sensitive tags → review，API 失败 → UNAVAILABLE exit 2。它不产 light.findings.v1、不进入 STAGE_GATES；完整闭环见 references/data-resource-map.md。

① 数据可行性前置门 → 不足则 2⊣3（拦在 idea 前，本技能 critical 灵魂之一）

# 规模够不够支撑 idea 所需统计功效（经验粗筛）+ 四问 → critical/warn findings：
python scripts/data_feasibility_gate.py --spec feasibility_spec.json --report feas_findings.json   # insufficient → exit 1
# 交总控聚合（stage 2 确认点，critical fail → exit 1 确定性阻断）：
python ../light-orchestrator/scripts/run_checkpoint.py --file .light/passport.yaml --stage 2 \
    --findings feas_findings.json --write --ts 2026-06-18T11:00
# fail → 根因回炉建议（命中 ROUTES[2]，建议 2⊣3：拦在 idea 前，只建议不执行，停下问用户）：
python ../light-orchestrator/scripts/reroute.py --findings feas_findings.json --stage 2 \
    --passport .light/passport.yaml
# 用户拍板回炉后落账：
python ../light-orchestrator/scripts/passport.py add-back-edge --to 3 --from 2 \
    --root-cause "数据不足以支撑 idea 所需统计功效" --evidence-ptr "<reroute 给的指针>"

feasibility_spec.json：{project, idea, sample{task,n,classes,features,positives,per_class}, feasibility{sufficiency, quality,feature_value}}（scale 缺省由 sample 自动回填）。spec 源自 idea-generation 立项卡的"数据可行性必答字段"。

② 数据泄漏 critical 门（本技能 critical 灵魂之二）

# 四类泄漏审计 → leak_findings.json（HIGH=critical）：
python scripts/split_leakage.py --train train.csv --test test.csv --group-col user_id --target y \
    --out leak_audit.md --findings leak_findings.json          # 任一 HIGH → exit 1
# 单文件带 split 列：--csv data.csv --split-col split
# 交总控聚合（critical fail → exit 1 阻断；泄漏在 stage 2 内修复，非跨阶段回边）：
python ../light-orchestrator/scripts/run_checkpoint.py --file .light/passport.yaml --stage 2 \
    --findings leak_findings.json --write --ts 2026-06-18T11:30

③ 防泄漏划分 / 质量门 / 体检 / 漂移（被编排，也可单独跑）

python scripts/data_doctor.py --csv data.csv --target y --out report.md     # 体检画像（先做）
python scripts/safe_split.py --csv data.csv --target y --task group --group-col user_id --group-clf  # Pipeline+CV 折内 refit
python scripts/quality_gate.py --csv data.csv --rules rules.yaml --out gate.md   # YAML 数据门禁（CI）
python scripts/sample_size_check.py --task clf --n 1200 --classes 3 --features 20  # 经验功效粗筛（非 power analysis）
python scripts/data_feasibility.py --project X --q1 ok:... --scale-json size.json --q4 ok:... --out data_feasibility.md
python scripts/drift_check.py --ref train.csv --cur test.csv --out drift.md  # KS+PSI（PSI 为主 p 为辅）
python scripts/check_access_level.py --level raw --sink paper   # raw→public 阻断
python scripts/croissant_export.py --in card_fields.json --out ds.croissant.json   # Croissant 元数据
python scripts/derive_eval_set.py --base data.csv --spec derive_spec.json --outdir derived/  # research-plan 回边

各脚本 --selftest/--help 即接口；资源闭环见 data-resource-map.md， 逐工具 API/已知坑见 references.md。

---

院士级深挖：四条是及格线（蓝图 §4.3-2，不是加分项）

① 数据可行性前置（很多 idea 死在数据根本不够/不可得/质量差）

提 idea 之前先问四问：这 idea 要什么数据？规模/质量/标注够不够支撑统计显著？sample_size_check 给经验粗筛 （分类每类 ≥50 偏紧/≥100 较稳；回归 EPV 样本/特征 ≥10/≥20；二分类正例 EPV，Peduzzi 1996），data_feasibility 四问取 最差档。数据 idea-killing 不足 = critical 前置门，reroute 建议 2⊣3（拦在 idea 前，补数据/改 idea）——别让一个 数据撑不起的 idea 押上数月。

② 数据泄漏前置查（顶会拒稿高频雷，critical 一票否决）

Kapoor-Narayanan(Patterns 2023, 2207.07048) survey 出 17 个领域 329 篇论文因泄漏结论过度乐观，给 8 类泄漏。 本技能查可机检的几类（对标 Deepchecks TrainTestSamplesMix/DateTrainTestLeakage*/IndexTrainTestLeakage）：

• 标准化/预处理早于划分（fit 穿越）→ safe_split 折内 refit 杜绝。
• 时序穿越（用未来预测过去）→ TimeSeriesSplit + --time-col 升序校验。
• train-test 实体重叠（同一用户/患者/牧场跨 split）→ split_leakage --group-col，GroupKFold 防。
• 目标编码穿越（目标均值编码用了含 test 的全量）→ split_leakage --target 查签名。 任一 HIGH→critical→exit 1。这是 stage 2 的 STAGE_GATES（leakage）。

③ 数据的可挖掘价值判断（有没有可做文章的结构/规律）

data_doctor 画像 + 四问 Q4：特征-目标关系是否真实（非 ID-like 误用、非目标泄漏）、有没有可建模的结构。data-centric 视角（DataPerf）：改数据有时胜过堆模型。这是定性判断 + 画像启发，不是可比分数。

④ 自建数据集（标注规范 / 隐私合规 / 可发布性 / 许可）

templates/annotation_guide.md（类目定义/边界规则/LLM 辅助+人工审核闭环/质检抽样率/IAA）+ assets/data_card_template.md （对齐 Datasheets for Datasets / HF Dataset Card / Croissant：动机/构成/采集/标注/用途/分发/维护 + 偏差·隐私·访问分级·溯源）。 标注质量：IAA（sklearn cohen_kappa_score / statsmodels fleiss_kappa）评流程整体 + cleanlab 置信学习定位具体可疑样本 （人裁定 top-K 不全自动删）。隐私/许可合规须人工与 research-ethics 复核。

---

收尾 self-check（出 verdict 前 / 回写总控前过一遍）

• 候选数据的 source/revision/license locator/gating/size/split/file tree/last_modified 当天核了吗？ dataset_intake 报告有 raw_response_sha256 与 candidate_manifest_sha256 吗？抽样前记 URL，整库前记 SHA256 了吗？
• 跑过 data_identity_fitness.py 吗？数据身份、权限链、衍生链、split threat matrix、fitness 与 staleness 都有 locator/hash/impact 吗？
• as_of、snapshot_at、split created_at、data_valid_at 是真实核验/冻结时间吗？没有预填未来日期吧？
• 没拿 downloads/likes/usability 代替任务匹配与代表性判断吧？受限或 license unknown 的如实写 review/unresolved 吧？
• raw→clean 的 hash、变换脚本/commit、行映射与 split scheme/seed/group/time 留全了吗？
• DERIVED 数据有每步 input/output SHA256、transform locator、commit 吗？权限 UNKNOWN/RESTRICTED/PROHIBITED 没被写成“可用”吧？
• 提 idea 前判了数据可行性吗？数据 idea-killing 不足的，停下用 ASK 问用户 2⊣3 回炉决策了吗？（没自作主张放行/回炉）
• 所有 fit 类预处理都进 Pipeline 只训练折 fit 了吗？没在划分前 fit_transform 全量吧？
• 时序数据用 TimeSeriesSplit 没洗乱吧？重复个体用 GroupKFold 防实体重叠了吗？
• 跑 split_leakage 查了四类泄漏吗？HIGH 命中是真污染还是疑似合法（停下问用户）？
• 没把经验功效粗筛当 power analysis、没把启发式泄漏检测吹成 "查全了" 吧？（诚实标边界）
• 增强/重采样只在训练折做了吗？没污染验证/测试折吧？
• raw/未脱敏数据没流向公开环节吧（check_access_level）？数据来源可核、没编造 DOI 吧？
• cleanlab 标的"错标"是人裁定 top-K、没全自动删吧？

---

名实对齐（诚实，不吹成卖点）

真增量（v2 兑现，已 selftest）：⓪ 数据身份/权限/血缘/split threat/fitness 统一契约（data_identity_fitness.py，Round 3 新增）——产 light.findings.v1，把 license/consent/DUA/ethics、raw SHA256、衍生链、split threat matrix、staleness impact 与 FIT/FIT_WITH_LIMITATIONS/NOT_FIT/UNKNOWN 对齐；UNKNOWN/禁止/未排除威胁、未来时间、NOT_FIT/UNKNOWN 裁定不会被冒充 pass。① 数据候选下载前 intake（dataset_intake.py，Round 2 新增/Round 3 续补）——HF 公开 API 元数据归一为 light.data_candidates.v1，核 access/license/revision/last_modified/size/split/file tree/card，记录 raw_response_sha256 与 candidate_manifest_sha256；缺项、tag-only license、敏感标签或 gated/private 诚实 review，不冒充 usable、 不扩大 critical 面。② 数据泄漏 critical 门 producer（split_leakage.py 港 v1，v2 修硬编码 ../../_shared→规范 bootstrap + producer m02→data-engineering）——四类泄漏 → leak_findings.json（light.findings.v1， HIGH=critical），被 run_checkpoint --stage 2 聚合 exit 1；输出名正是 STAGE_GATES[2] 引用的标准件。③ 数据可行性 前置 critical 门 producer（data_feasibility_gate.py，v2 净新增接线）——编排港来的 sample_size_check+data_feasibility （v1 纯工具、零接 _shared，grep 实证）产 critical/warn findings，insufficient → reroute 命中 ROUTES[2] 建议 2⊣3 （拦在 idea 前）。④ 防 fit 穿越的 Pipeline+CV（safe_split 折内 refit 断言）。⑤ 零重依赖数据门（quality_gate 是 GX 哲学的轻量同构，纯 pandas+PyYAML）。

裸模型本就会的（不吹）："数据要先划分再标准化""注意别泄漏""样本量要够""数据集要写卡"——裸 Opus 都会。本技能价值 = ① 把防泄漏落成确定性机读门 + 折内 refit 断言（裸模型会嘴上说不泄漏、手上还是全量 fit）；② 数据可行性前置于 idea 定稿 + 2⊣3 回边（裸模型不会"拦在 idea 前"喂回 idea 阶段）；③ 机读 critical findings + 确定性阻断 + 根因回炉 （裸模型给口头结论，编排器读不了、阻断不了）。

诚实落后项（已知没做到）：

1. 自动发现目前只接 HF 公共元数据：OpenML/UCI/Zenodo/Kaggle 走资源地图 + harness 联网；metadata-ready 只表示字段 较齐，不表示任务适配、许可终判、无隐私/无泄漏。HF API 失败时 exit 2 + UNAVAILABLE，不用旧缓存冒充当天真值。
2. 泄漏检测是启发式、有边界：split_leakage 查几类签名（精确/近重复/实体/目标编码穿越），≠"查全了所有泄漏"； 近重复靠分箱指纹（巧合会误报，标 MED 需人工）；目标编码穿越的"合法组统计"也可能命中（须人工核来源）。Kapoor 的 "测试集非目标分布/采样偏置/用非法特征"多须人工判断，脚本覆盖不到。
3. 统计功效是经验阈值，非 power analysis：sample_size_check 是领域经验下限粗筛（每类样本/EPV/检测实例），不替代 效应量+显著性+功效的正式论证（statsmodels/G*Power）。阈值经验默认、可调。
4. 可行性四问档位是人/脚本判定、非自动真值：data_feasibility_gate 只聚合判据 + 出 findings，不替你判"数据到底 够不够"——GIGO（输入的四问/规模参数错，结论就错）。
5. 不跑置信学习/不内置 cleanlab、不做 EDA 全家桶：标注质量靠规范+IAA+(外部)cleanlab；data_doctor 是粗筛画像非完整 EDA；漂移/质量门用轻量自写实现（drift_check 纯 numpy 渐近 p、quality_gate 无 GX 重依赖），表达力不及 Deepchecks/GX/ ydata-profiling，重场景仍建议用专业库（references 有真实端点）。
6. 隐私/许可合规不替判 + 不做完整 Croissant/datasheet 校验：check_access_level 按声明判流向（真脱敏须人工+research-ethics）； croissant_export 出关键层（完整 spec 校验/Hub 上传留外部工具）。
7. v1 资产取舍（诚实）：港 split_leakage/safe_split/sample_size_check/data_feasibility/quality_gate/data_doctor/ drift_check/check_access_level/croissant_export/derive_eval_set；emit_artifacts.py 未港——其"标准工件名 + passport 登记"在 v2 归 memory-pm pm.py / orchestrator passport.py append-stage，不重造（标准工件名约定见本 SKILL「产出」）。 v1 的 code_assets/ 共享统计库（stats_tests/agreement）v2 未港，统计/κ 用 statsmodels/sklearn 直接做。

标准产出工件：data_feasibility.md（交 idea-generation/idea-critique，前置 2⊣3）· leak_findings.json（泄漏 critical 门）· quality_report.md / data_card.md（交 research-plan/experiment-coding 做实验）。落 .light/，passport 登记交 memory-pm。

---

参考（三级渐进披露：需要时再读）

• 对标真相源：docs/competitors/data-engineering.md（11 个同类一手核 + 横切可借 + 超越点 + 诚实边界）
• 真实用户资源工作流：references/data-resource-map.md（需求卡→多源发现→preflight→抽样→血缘→门→发布；access 分级）
• 工具一手核查笔记（真实端点/API/参数/已知坑）：references.md（pandas/polars/DuckDB/Deepchecks/GX/ydata-profiling/cleanlab/OpenML/HF/Kaggle/数据增强 等）
• 引擎脚本：scripts/——各 --selftest/--help 即接口；split_leakage.py（泄漏 critical 门）· data_feasibility_gate.py（可行性 critical 门 + 2⊣3）是 findings 核心
• 模板/案例：assets/data_card_template.md（datasheet）· templates/annotation_guide.md（标注规范+IAA）· examples/worked_example.md（山羊行为数据走查）· examples/rules.example.yaml · examples/derive_spec.example.json
• 地基契约：_shared/README.md（findings_schema · gate_runner · 规范 bootstrap）
• 上游/下游：light-idea-generation（stage 3，立项卡"数据可行性必答字段"，2⊣3 前置回边）· light-orchestrator/scripts/run_checkpoint.py（stage 2 聚合 critical fail→exit 1）· reroute.py（ROUTES[2] 建议 2⊣3）· research-plan(stage 5，派生评测集回边)