Meta Analysis

Meta-Analysis

定量元分析专用 Skill。在 systematic-review 完成 L1-L8 之后，从 L9 起大幅扩展为完整定量合并工作流。R 统计由 Claude Code 在本地 R 环境直接执行 Rscript（metafor 等），原始输出（summary / warnings / sessionInfo）入审计包、红灯由 R 算（不靠 LLM 读数字），图由内置 ma-plots 固定渲染器产出 forest / funnel / PRISMA / RoB（§13.2；样式底座 ssci-plots）。

快速入口：第一可执行步骤见 §3 主 Agent 启动流程 + §4.2 L9.1 效应量提取。详细方法见 references/ + scripts/ + 底座 SSOT。

1. 触发与适用场景

1.1 触发短语

英文：meta-analysis、effect size pooling、random-effects model、forest plot、funnel plot、heterogeneity I-squared、meta-regression、subgroup analysis、Hunter-Schmidt、RVE meta-analysis、three-level meta-analysis、MASEM、meta-analytic SEM、reliability generalization、p-curve、PET-PEESE、RoBMA、metafor、psychmeta。

中文：元分析、Meta 分析、定量综合、效应量合并、森林图、漏斗图、异质性、随机效应模型、Meta 回归、亚组分析、心理学元分析、量表元分析、信度概化、心理测量元分析、依赖效应量、RVE 元分析、三层元分析、出版偏倚、p 曲线。

1.2 反向触发（不适用 / 切到其他 Skill）

1.3 启用条件提示

• 心理学场景（默认必读）：触发关键词含心理学构念、量表（BDI、SCL-90、Big Five 等）、APA 期刊、JARS、复制危机。同时加载 SSOT-PSYCHOLOGY-SUPPLEMENTS.md（含 8 议题）。
• 中文场景：用户中文交流、提及《心理学报》《心理科学进展》、CNKI、GB/T 7714。同时加载 SSOT-CHINESE-CONTEXT.md。
• 网络元分析：用户比较 ≥3 种治疗或提及 NMA / network meta-analysis。同时加载 SSOT-SYNTHESIS-METHODS.md §4。

2. 假设前提（L1-L8 已就绪）

本 Skill 假设 L1-L8 已就绪：用户已通过 systematic-review 或自行完成研究问题构造、检索、筛选、提取、RoB（详见 §13.1 联合工作流）。如未完成 L1-L8，主 Agent 应建议先切到 systematic-review。

3. 主 Agent 角色与责任

你是协调者、判断者、规划者，不是执行者。 每个 SubAgent 必须使用当前可用的最强模型（与主 Agent 同级，不为省成本降级）；默认阻断；同消息内多 Agent 调用 = 并行。

3.1 主 Agent 必读（启动即必读 —— G5：启动足迹从 ≈72k 三件套砍到 ≤10k digest）

主 Agent 在 Skill 触发后立即加载 review-methodology-foundations/references/LAUNCH-DIGEST.md（启动即必读，正文 ≤10k）——它蒸馏了原"启动即必读三件套"（SSOT-LIFECYCLE-12-PHASES + SSOT-METHODOLOGY-TERMINOLOGY + SSOT-AI-FAILURE-DEFENSES，≈72k）的全部载荷条款 + §1.2-18 前沿条款（Egger-MLMA 路由 / trim-and-fill 降级 / k<5 禁 RVE / I²>90% 禁池化）+ Cohen / k→限定语 / I² / GRADE / 学科×数据库 / 构念方向六张查表。读完这一份即掌握全流程载荷红线。

为什么改（G5）：实战审计实测原三件套 66-72k"启动即必读"被跳过 2/3——从未打开；48k 最对口的 PSYCHOLOGY-SUPPLEMENTS 零人读。被读率是主 Agent 派发 prompt 是否点名的函数，不是"必读"规定的函数。故三层修复：①启动只读 ≤10k digest（真读）；②三件套 + 深层 SSOT 全文降级"按需下钻"（路径经 SSOT-INDEX.md 全库 resolver，见 §8）；③关键载荷投放到 SubAgent 靠 PROMPT-COPY-BLOCKS.md 复制块（§6/§14 · 内容进 prompt 的构造性保证），不靠自觉去读深文件。

深层全文按需下钻（不在启动加载，resolver 定位）：SSOT-EFFECT-SIZE-DECISION（L9.1 效应量 + §4.10 设计9 单组前后测）/ SSOT-SYNTHESIS-METHODS（L9.4/L9.5/L9.9 方法本体）/ SSOT-PSYCHOLOGY-SUPPLEMENTS（心理学 8 议题 + §2.1.1 CHE）/ SSOT-AI-FAILURE-DEFENSES §8（构念方向协议全文）——digest 给决策阈值，需公式推导 / 操作模板时按 resolver 路径下钻。

MA 在 AI-FAILURE 的强防御项（digest §2 已含核心，此处保留 MA 专属加强）：

• §2 效应夸大加强：除 Cohen 表外，加 Funder & Ozer 2019 严格标准（须显式声明用哪套）；CI 强制延伸到所有 subgroup / meta-regression 结果
• §3 置信幻觉加强：异质性 I² > 75% 强制不呈现合并效应；publication bias 必做清单 = funnel（contour-enhanced）+ 回归检验（Egger / Peters / Harbord，按效应量类型路由）+ 心理学补充 ≥ 1（p-curve / p-uniform* / PET-PEESE / selection models / RoBMA）；trim-and-fill 仅作敏感性分析（与 §4.2 L9.9 一致）

3.2 启动流程（第一可执行步骤指引）

派发顺序按 §4 工作流： 0. MA 入口 preflight（关 BK-1）：派 L9.1 前确认 decisions/01/02/07/08 已就绪——联合路径由 SR L1-L8 产出；独立 MA 入口（用户已自行完成 L1-L8、直接进 MA）须先据 §3.3"独立 MA 入口脚手架"从 decisions_templates/ 拷模板填好这 4 档。缺任一即阻断 L9.1（不读决策档案直接执行违反 §3.3 强制必读）。

1. L9.1 派发 Effect-Size-Extractor（第一可执行步骤，见 §4.2）→ 每研究效应量 + SE
2. L9.2-L9.4 串行（校正 → 依赖 → 模型选择）
3. L9.5 异质性先行（其阻断信号决定 L9.6/L9.7 是否强制）→ L9.6/L9.7 可并行；L9.8 敏感性须串行于 L9.5 之后（leave-one-out / FE vs RE / τ² 估计器对照都依赖 L9.5 已定的模型基线，不与 L9.5 并行）
4. L9.9 单独跑（依赖前面结果）；L9.10 按需
5. L10 GRADE → L11 写作（含 Chart-Bridge ma-plots 渲染器，§13.2）→ L12 自评

3.3 跨阶段决策档案规则（强制）

主 Agent 在每阶段产出后将决策结论写入 decisions/ 子目录（与本任务工作目录平级）。每个决策档案为独立 md 文件（YAML frontmatter + 正文，≤ 100 行/档），不复制 SSOT 内容。

MA 决策档案目录结构（与 SR 联合时复用 SR 的 01-08）：

decisions/
  01_type_decision.md          # L1：含心理学场景判定（关键 — 决定 L11 加载 JARS-Quant）
  02_research_question.md      # L2：PICO + 效应量预设
  03_mode_decision.md          # L3：严格 vs 学习
  07_data_types.md             # L7：双人提取字段
  08_rob_tool_decision.md      # L8：RoB 工具
  09_synthesis_decision.md     # L9：FE/RE/RVE/三层/MASEM 选择 + k 阈值
  09.1_effect_size.md          # L9.1：效应量类型 + SE 反算
  09.4_model_selection.md      # L9.4：FE vs RE
  09.5_heterogeneity.md        # L9.5：I² / Q / τ² / 95% PI
  09.6_subgroup.md             # L9.6：k≥10 启用
  09.9_publication_bias.md     # L9.9：4+ 工具
  10_grade_decision.md         # L10
  11_reporting_standard.md     # L11：APA MARS Table 9 + PRISMA 2020 + 12 处差异

独立 MA 入口决策档案脚手架（关 BK-1，必读）：MA 第一可执行步骤 L9.1 必读 decisions/01/02/07/08（§3.3 跨阶段强制必读 + decision-provenance §3），但这 4 档的生产者在 SR L1-L8。两条入口分别这样落地，避免独立入口"必读却无人创建"而卡死：

• 联合路径（path: combined_with_sr）：SR L1-L8 已产 01/02/03/07/08（共用同一 decisions/ 目录）→ MA 直读不重写（衔接门见 §13.1 N-4）。
• 独立 MA 入口（path: standalone，用户已自行完成 L1-L8、直接进 MA）：主 Agent 在派 L9.1 之前，把用户已完成的 L1-L8 结论落成 01_type_decision.md（含心理学判定）/ 02_research_question.md（PICO + 效应量预设）/ 07_data_types.md（数据类型 + 信度 + n）/ 08_rob_tool_decision.md——直接拷 review-methodology-foundations/decisions_templates/ 对应空白模板骨架填写（模板含 frontmatter + 决策结论/依据/上下游/校验结构）。
• 结构性阻断门（非"prompt 提醒"）：01/02/07/08 缺任一 → preflight 阻断 L9.1（视作"未读决策档案直接执行"）；不允许主 Agent 即兴补写无模板的决策档案，也不允许跳过这 4 档直接派 Extractor。

decisions_templates/ 是空白模板骨架（S4 建，路径 review-methodology-foundations/decisions_templates/），覆盖 SR 11 类 + MA 5 个 09.x 子阶段 + 监督产物 04a/07a/09.x_audit。它是"给 01/02/07/08 一个可拷的起点"，本身不是决策实例。

跨阶段强制必读：L9/L10/L11/L12 阶段的所有 SubAgent prompt 必含：

**必读（决策档案）**：
- decisions/01_type_decision.md（含心理学判定 → L11 加载 JARS-Quant 的依据）
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md（按本阶段需要选 09.1/09.4/09.5 等）
- decisions/10_grade_decision.md（仅 L11/L12）
- decisions/11_reporting_standard.md（仅 L12）

追认①（G5 · 公理 8 好偏离追认）——规划文档=上下文容器：实战中 SubAgent prompt 未逐档点名上列 decisions，而由主 Agent 用"每轮专属规划文档"承载上下文（内嵌决策档指针），效果更优。此模式予以规范承认：上列决策档必读可由"读本轮规划文档（规划文档内嵌所需 decisions/*.md 指针）"等价满足；构造性底线 = §6 派发复制块把关键决策载荷直接写进 SubAgent prompt（填空题），不依赖 SubAgent 自觉去开 decisions 档。决策档案禁止自证式"[ ] 已读 <文件>"勾选（G5 · R3 实测 decisions/01 虚假"[x] 已读"已发生、transcript 零访问）；"规定应读"改用模板 frontmatter required_readings 声明性机读字段（供未来审计），preflight --gate readings 一行 WARN 计数，差异表渲染延期 v2。

主 Agent 在 L11 写作前必须二次验证：当前 L11 SubAgent 计划的报告标准与 decisions/01_type_decision.md（含心理学判定）+ decisions/11_reporting_standard.md 一致。心理学场景必须叠加 JARS-Quant Table 9 在 PRISMA 2020 上。不一致即阻断。详见 references/decision-provenance.md。

3.4 必须亲自做 vs 必须外包

3.5 不允许的妥协

• 不允许主 Agent 直接写 R 代码 / 直接调 MCP（PRES-003）
• 不允许 SubAgent 替主 Agent 做"是否信任合并效应"的最终判断
• 不允许跳过出版偏倚检验或异质性披露阶段
• 不允许 I² > 75% 时仅呈现合并效应作为主要结论（违反 SSOT-AI-FAILURE-DEFENSES §3）
• 不允许 k < 5 时强行 RVE / 三层（详见 §4.2 L9.3）
• 不允许 k < 10 时强行 publication bias 检验（详见 §11.5）

4. 完整工作流（12 阶段对齐）

按 12 阶段对齐（参见 SSOT-LIFECYCLE-12-PHASES.md）。MA 在 SR 基础上 L9 大幅扩展为 10 子阶段。

4.1 12 阶段总览（L1-L8 默认由 SR 完成）

如果用户未完成 L1-L8，主 Agent 先建议切到 systematic-review。

4.2 L9：定量合并（10 子阶段，第一可执行步骤）

L9.1 效应量提取（第一可执行步骤）：派发前 preflight（关 BK-1/BK-7）——① 确认 decisions/01/02/07/08 已就绪（独立入口按 §3.3 脚手架先建、联合入口由 SR 产；缺则阻断）；② 联合路径必读 decisions/09_synthesis_decision.md 的切换结论（≠"推荐切 MA"则阻断，见 §13.1 N-4）。preflight 通过后派 Effect-Size-Extractor → 5 决策树（D1 二分 / D2 连续 / D3 有序 / D4 计数 / D5 生存）+ 7 SE 反算公式 + 8 unit-of-analysis + 零事件处理。详见 references/L9.1-effect-size-extraction.md。SSOT：SSOT-EFFECT-SIZE-DECISION §1-§5。

全文语料消费面（G6 · 外包交接包模式，治 A-Q6 头号 token 浪费）：全文获取+转换若走 fulltext_request_pack/ 外包（见 SR SKILL §4.2.6），Effect-Size-Extractor 与数值核对 SubAgent 默认消费 02_全文MD/<id>/<id>.md（MD）+ 按锚点回 01_原始PDF/<id>.pdf 关键页（p.N Table M 粒度，anchors.json 派生）；整本重读 PDF 降为例外（这是实战最大 token 浪费=提取/核对 agent 整本读 PDF 4-6 遍的根治）。关键数值/方向/M-SD-N 一律回 PDF 核对（MD 为 OCR，可能有掉行/误差——如 proquest-0028 的 NED/PED 描述统计行 OCR 掉空，须回 PDF Table 2），提取结论附页/表锚点。全文语料回执须先过 systematic-review/scripts/validate_fulltext.py 质量门（MD 质量抽检抓 OCR 结构性掉行/元噪声）。

L9.2 效应量校正：派 Correction-Agent → Hedges' g 校正（默认 N < 60 关键，校正失败回退见 §11.6）+ Hunter-Schmidt artifact correction（仅心理学量表）。Bare-bones vs Psychometric 模式选择。详见 references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md。

L9.3 依赖性处理（k 阈值决策）：判断依赖性 → 选择方法。

派 Dependency-Agent。详见 references/L9-psychology-special.md。

L9.4 固定/随机效应模型选择：派 Model-Selection-Agent → 决策树 + 默认 RE（FE 仅在干预真无效假设下）+ τ² 估计器（REML 默认）+ HKSJ CI（k > 2 + τ² > 0 时优于 Wald）+ k=2-4 决策表（详见 §11.4）。详见 references/L9.4-fixed-random-models.md。

默认 RE 模型的诚实披露（L9.4 末尾必嵌入 — C4 三段体例）： 段 1（教材原假设）：FE vs RE 选择依赖研究者对异质性的判断（Borenstein 2009; Cochrane §10）。 段 2（LLM 实现差异）：本元分析默认采用 RE，FE 仅在干预真无效假设下使用。差异 3 处：(1) 无显式用户提供异质性假设；(2) k < 10 时使用 HKSJ；(3) k = 2-4 时跑 FE+RE 双 sensitivity（Cochrane v6.5 §10.10.4）。 段 3（缓解 + Limitations）：报告 FE+RE 双结果；k ≥ 5 报 PI；心理学场景 + k < 5 报 PI 但显式标注"normal 假设不稳健"。在 Discussion 披露默认 RE 的方法学选择。

L9.5 异质性检验：派 Heterogeneity-Agent → Q + I² + τ² + 95% PI（k ≥ 5 必报；心理学必报）。I² > 75% 不允许仅呈现合并效应；I² > 90% 完全禁止合并 + 强制 subgroup / meta-regression（详见 §11.5）。详见 references/L9.5-heterogeneity.md。

L9.6 子组分析（k ≥ 10）：派 Subgroup-Agent → 预设 vs 事后必须区分（JARS Table 9 §METHOD §6）+ 正式统计检验子组间（不允许仅比较子组内 P 值）+ ICEMAN 6 维度。详见 references/L9.6-subgroup-metaregression.md。

L9.7 Meta-regression（k ≥ 10）：派 Metaregression-Agent（与 L9.6 可并行）→ 每分类特征 ≥ 10 项观察 + 比率类用 log-transformed。详见 references/L9.6-subgroup-metaregression.md。

L9.8 敏感性分析：派 Sensitivity-Agent（串行于 L9.5 之后——leave-one-out / FE vs RE / τ² 估计器对照 / 排除高 RoB 复算都需要 L9.5 已定的模型基线，不与 L9.5 并行；与 L9.9 可并行）→ Leave-one-out + FE vs RE vs HKSJ + 不同 τ² 估计器 + 不同 effect measure + 排除高 RoB 复算。

L9.9 出版偏倚：派 PublicationBias-Agent → 核心必做（funnel + Egger/Harbord/Peters；k ≥ 10 才有效，详见 §11.5）；心理学补充 ≥ 1（p-curve / PET-PEESE / RoBMA / Selection models）。依赖效应量（L9.3 判定三层/RVE）→ 发表偏差用 Egger-MLMA（scripts/egger_mlma.R），非单水平 Egger；RoBMA 需 JAGS 默认不选（缺则降级 puni_star+PET-PEESE）。Trim-and-fill 已被 Cochrane v6.5 降级（仅作敏感性分析）。详见 references/L9.9-publication-bias.md。

L9.10 MASEM（按需）：仅中介/调节 SEM 综合启用。TSSEM / One-Stage MASEM。详见 references/L9-psychology-special.md §3。

4.3 L10：GRADE 证据等级

派 GRADE-Agent → 元分析专属考虑：不精确（CI 跨决策阈值）、不一致（I² > 50% 通常降级）、出版偏倚（funnel 不对称 + Egger p < 0.10 降级）+ 结合 RoB 2 / ROBINS-I。SSOT：SSOT-GRADE-FRAMEWORK。

4.4 L11：报告（APA MARS Table 9 + PRISMA 2020 + 产图（§13.2 渲染器））

派 Write-Agent（短稿 2-2-1 备份法 / 长稿分章变体见下追认②）+ 报告标准核对 SubAgent。

追认②（G5 · 公理 8 好偏离追认）——L11 分章 writer 变体 + 章间交叉互评：实战 L11（15k 词长稿）弃用 2-2-1 双稿备份法，改用 4 分章 writer（Intro / Methods / Results / Discussion 各一 SubAgent 并行起草）+ 集成 + 终稿修正，产出质量高、并行更快。规范承认"分章制"为长稿（≥12k 词）的合法变体，前提是补回被 2-2-1 丢掉的对撞检查点：分章起草后必须做 (a) 章间交叉互评（每章 writer 交叉审邻章的接口一致性 / 术语统一 / 前后呼应）+ (b) 集成一致性核对（Results↔Methods↔Abstract 的数字与载荷性主张逐一勾稽）——以此替代 2-2-1 的双稿对撞，不得省略对撞环节。短稿（<12k 词）仍用 2-2-1。两法均须过 SP6 claims-vs-data + SP7 引用终审（§9.1 / references/L11-mars-reporting.md §8）。

• APA MARS Table 9：13 章节完整对接
• PRISMA 2020：27 条清单
• JARS-Quant 12 处差异（心理学场景 — 由决策档案 01_type_decision.md 心理学判定触发）：预先/事后假设分组、心理测量学特征、构念效度、测量误差伪迹、moderator vs subgroup、效应量+CI 强制、Hedges 校正、Bayesian 先验、统计代码位置、不利效应章节
• 产图 = 内置 ma-plots 固定渲染器四命令（§13.2 三步硬契约 + labels 机械同源纪律；卫星四元组见 §13.4）：forest plot、funnel plot（contour-enhanced）、PRISMA 流程图、RoB 图；SoF 表 = md 表格（L10 产出，非渲染器职责）

详见 references/L11-mars-reporting.md。SSOT：SSOT-REPORTING-STANDARDS §1.3.1 + §3。

4.5 L12：自评（AMSTAR 2 元分析维度）

派 Self-Assessment Agent → AMSTAR 2 16 项 + 7 关键域。SSOT：SSOT-AMSTAR-2-CHECKLIST。

5. R 包路径（按议题映射）

桥接哲学：本 Skill 由 Claude Code 在本地 R 环境直接执行 Rscript（metafor 等）跑出统计结果——不再生成代码让用户复制到外部环境跑后回填。print(summary()) + warnings() + sessionInfo() 原始输出原样进审计包（侧车文件 + 审核卡⑤段下钻），可复现；阻断/披露红灯由 scripts/audit_parse.R 从 rma 对象字段直接算出 flag JSON，不靠 LLM 读 summary 文本。保留的原则内核：不编造统计结果、人在签核点担责、可复现。详见 references/L9-r-code-templates.md。

LLM 介导本地执行工作流的诚实披露（嵌入 references/L9-r-code-templates.md 顶部 — C4 三段体例）： 段 1（教材原假设）：标准元分析假设分析师直接编写并执行 R 代码（或用 JASP / RevMan GUI），完全控制数据输入、模型设定、输出验证。 段 2（LLM 实现差异）：本综述由 Claude Code 在本地 R 环境直接执行 LLM 生成的 Rscript，并把原始输出（summary / warnings / sessionInfo）留痕入审计包；阻断/披露判定由固定的 audit_parse.R 从 rma 对象字段算出，不靠 LLM 解读输出文本。这消除了"复制粘贴回填 / 预期与实际数据格式错配"那一类旧风险。仍存在的真局限：R 代码仍由 LLM 生成，可能存在编译通过但结果错误的细微 bug（错变量名 / 错函数调用）——本地执行不能自动证明结果正确。 段 3（缓解 + Limitations）：(1) 脚本经回归测试套件（tests/）验证 + 原始输出可人工复核，红灯由 R 算降低 LLM 读错数字的风险；(2) 至少包含一项 sensitivity analysis（leave-one-out / 替代 τ² 估计器）以检测异常；(3) 人在签核点对统计判断拍板担责；可复现性靠 sessionInfo + 固定脚本。在 Discussion/Limitations 仍应披露"统计由 LLM 介导的本地自动化工作流完成"是方法学特征。

详见 references/L9-r-code-templates.md。

6. 派发 SubAgent 复制块（填空题投放，非选择题加载 —— G5 主方案）

机制（治实战病根）：实测一个 reference 文件被不被读，100% 取决于主 Agent 派发 prompt 是否点名它——没被点名的没人自发读。故本表不再是"何时去加载 X"（选择题），而是"派发某阶段 SubAgent 时，把该阶段复制块整段贴进 SubAgent 的 prompt"（填空题=关键载荷进 prompt，SubAgent 读不读深文件不再决定成败）。复制块全文见 review-methodology-foundations/references/PROMPT-COPY-BLOCKS.md；每次派发前置其 §A 共享底座块（四铁律 + 引用防御 + Cohen 表 + 构念方向协议 + k→限定语，同 LAUNCH-DIGEST.md §0/§2/§3）。深文件全文按需下钻，路径经 §8 的 SSOT-INDEX.md 全库 resolver（治两次 wrong-path）。

R 代码生成 SubAgent 另读 references/L9-r-code-templates.md（Chart-Bridge + 诚实披露）。subagent-templates.md = 各角色 6 段完整模板（on-demand 深潜；复制块 = 其"必读段"的即用压缩，主 Agent 无需先开模板即可派发）。

7. 字数控制

字数公式、矩阵与调整因子详见 SSOT-WORDCOUNT-RULES.md §3.1（综述类型 × 文献规模矩阵第 5 行：元分析）+ §3.3（调整因子）+ §3.4.5（元分析特殊条款）+ §4（字数纪律）。本节不复制 SSOT 数字。

7.1 默认与三种确认模式

• 默认字数：14,000 字（参见 SSOT-WORDCOUNT-RULES §2.2 元分析行）
• 下限：参见 SSOT §3.2 元分析行；元分析含完整的 forest plot / funnel plot / 异质性诊断 / 出版偏倚多重检验 / GRADE SoF / R 代码与运行环境，结构组件最密集

三种确认模式（参见 SSOT §5）：

• 模式 A：用户已指定具体字数 → 直接采用
• 模式 B：用户未指定 → 按 SSOT §2.2 默认 14,000 字 + 一句通知 + 不阻塞
• 模式 C：用户选"自适应" → L8 完成后按 SSOT §3.1 矩阵 + §3.3 调整因子 + §3.4.5 元分析特殊条款估算

7.2 元分析特殊条款（参见 SSOT §3.4.5）

按 SSOT §3.3 调整因子取值：

• 完整元分析（含 forest + funnel + Egger/Harbord + 至少 1 项心理学补充 PB）：+30%
• ≥ 3 个森林图（多 outcome / 子组对照 / sensitivity）：+20%
• Hedges' g 校正、Hunter-Schmidt、RVE / 三层 / MASEM 等：每议题 +10%
• HKSJ + 95% PI + Bayesian 替代分析：+10%

7.3 字数纪律（PRES-006 + SSOT §4）

不硬凑 / 不铺陈 / 质量优先（详细定义参见 SSOT §4）。

启动阶段确认：在 L1（类型识别）后、L2（PICO + 效应量预设）前向用户确认字数目标。字数严重不匹配时按 §11.7 决策。

8. 何时加载底座 SSOT（路径权威 = 全库 resolver）

路径唯一权威 = review-methodology-foundations/references/SSOT-INDEX.md（全库 file-resolver）：阶段/关键词 → 唯一正确路径，覆盖三 skill 全部 references（治两次实战 wrong-path，尤 L10-grade.md/L11-prisma-reporting.md/L12-amstar2.md 住 systematic-review 却被 MA 阶段编号引用——resolver §B 跨 skill 陷阱表专列）。下表给"哪个阶段吃哪个 SSOT 的载荷"，全文按需下钻时用 resolver 解析路径，不凭阶段编号直觉猜路径。

底座 SSOT 路径前缀：review-methodology-foundations/references/（跨 skill 文件按 SSOT-INDEX.md resolver 解析，勿凭阶段编号猜前缀）。本 Skill 引用而不复制粘贴；关键载荷经 §6 复制块 + LAUNCH-DIGEST 投放，不靠"按需自觉去读"。

9. 严格 / 学习 / 监督模式

参见 SSOT-MODE-PROFILES.md v2.0.0（元分析子集 §4.5 + 三模式定义 §1）。

• 严格模式（顶刊投稿）：12 阶段全覆盖；APA MARS Table 9 全 13 章节合规；GRADE + AMSTAR 2 自评 ≥ Moderate；预注册必须；至少 2 项出版偏倚检验；HKSJ CI；95% PI 必报。
• 学习模式（课程作业）：保留 L1-L2-L9.1/L9.4/L9.5/L9.9-L11 核心；可跳过 L9.7 / L9.10 / L12；必须显式声明简化点（"Method Limitations"）。
• 监督模式（AI 初编 + 人逐点把关达发表级 —— 本项目默认目标模式）：方法学完整度与严格模式相同（发表级，不降级），区别在于人不只"最后验收一次"，而是在 7 个不可逆点逐一签字把关（详见 SSOT §1.4）。

学习模式不允许跳过 L9.5（异质性披露）和 L9.9（核心出版偏倚）—— 这是元分析的科学合理性骨架。

学习模式简化点的诚实披露按 C4 三段体例（应用 SR L6 §6.1 范本，详见 references/L11-mars-reporting.md §"学习模式披露原文"）。

9.1 监督模式（Supervised Mode）

一句话：AI 把粗活干完（检索、双盲筛选、双人提取、跑 R、出图、初稿），人只在机器判不了的 7 个关键节点拍板——方法学和严格模式一样完整，但每个不可逆的决策都有人亲自签字担责。定义见 SSOT-MODE-PROFILES.md §1.4。

什么时候选它：教授/导师要的"AI 初编、人 check、确保不出错、达发表级"——既不放心让 AI 全自动一路跑过关键判断（那是严格模式的全自动假设），又不能用课程级的随机抽查（达不到发表级）。一个研究者 + AI 协作产出可投稿的元分析、但要对每个关键判断亲自把关时，选监督模式。

它和严格模式差在哪：方法学完整度一模一样（都是发表级 Tier 1 全覆盖），唯一区别是把"最后人验收一次"换成"7 个不可逆点各审一次"。这 7 个点（元分析侧主要落在 L7 提取校准/低置信、L9 模型+异质性、L9.6/9.9 解读+发表偏差、L11 引用终审）每点产一张为它定制的审核卡，人看卡拍板"接受还是打回"。

为什么是"真门"而不是"提醒一下"：每个签核点的裁决落进 decisions/ 对应文件的 user_signoff 标记。下游阶段启动前由 preflight 脚本读它——没签字 / pending / 打回 → 脚本退出码 ≠ 0，下游根本启动不了。同时红灯由 R 算（不是 AI 读 summary）、可复现性硬检查（缺 sessionInfo / 退出码 ≠ 0 / 红灯 / κ 太低 / 种子召回不足）先于人审直接阻断。7 门的运行时操作契约（每门触发时机、产物路径、preflight 命令、缺签阻断哪个下游、硬检查、审核面上限）见 review-methodology-foundations/references/SUPERVISED-MODE-GATES.md。

签核体验（G1 vNext，2026-07-03 · 两段式）：监督模式 = 运行中知情确认 + 事后审核包独立走查。运行中的门是心流优先的知情确认（Agent 推荐+理由+后果+可下钻+可打回，保留「(推荐)」预标——它是 Agent 基于你不掌握的知识给的知情建议）；真正的独立人类审核在事后署名人审核包（L12.5）。卡/gate 合一：唯一人面审核文档 = decisions/ 下 gate markdown（六段骨架 a-f），HTML 卡为可选增强。每门判断点由结构化决策块单一源头驱动，gate(e)段与 AskUserQuestion 题面双渲染同源、question_hash 锁；signoff_ask.py 是唯一合规提问/回填通道（agent 不许手写 signed、不许手打题面）。preflight 除签核/红灯外，additive 强制：同源 hash / 判断点引用的图表文件必存在 / 叙事不与数字矛盾 / 三字段机读披露。L9.9 发表偏差卡渲染必带 --funnel <真实存在的图>（图物理存在才配问「看漏斗图」）。完整机制见 review-methodology-foundations/references/SUPERVISED-MODE-GATES.md §0.5。

平衡（两边都不过拟合）：不处处拦人审——绿档字段免审、双盲一致项自动放行、统计无红灯则该点无人审队列、可逆中间产物不设门；也不放任 AI 跑过关键判断——7 个不可逆冻结点、双提取分歧/低置信/关键数值/红档字段必审。每个签核点待审条数设上限，超限收紧上游过滤而非把长清单甩给人。运行中不做负样本注入、不加考验人的摩擦（独立判断在事后审核包，非运行中）。

披露：监督模式产出须披露"哪些步 AI 做、人在 7 签核点各审了什么"（RAISE：人类监督 + 透明披露 + 最终责任在人）。披露强度由签核事实机读生成、单调不超过事实（presented_via/evidence_opened/签字页状态 → 措辞映射，语义用 attestation）——两段式如实写作：in-run informed confirmations with drill-down access + post-hoc independent audit via structured audit package，不由 agent 措辞自定。详见 SSOT §6.6。

负责任使用（单一 SSOT）：监督模式的立场、两段式监督模型、7 门与诚实边界的完整表述见发布仓根 RESPONSIBLE_USE.md——核心：AI 初编 + 人在 7 门签核 + 署名人负全责；运行中=知情确认（非独立判断），事后审核包=真正的独立人类审核；披露强度机读生成、单调不超过事实；不支持无人审核的自动投稿。

10. 心理学场景与中文场景的特殊处理

10.1 心理学场景（默认必读 — 由 decisions/01_type_decision.md 心理学判定触发）

触发判定：按 SSOT-PSYCHOLOGY-SUPPLEMENTS.md §0.4 4 类信号清单（APA 期刊 / 量表名 / 心理学构念 / 复制危机 + JARS 关键词）扫描，任 1 类命中即触发；判定结果（yes/no/boundary）写入 decisions/01_type_decision.md 心理学判定字段（决定 L11 是否叠加 JARS-Quant + L9.x 是否启用 8 议题）。

参见 SSOT-PSYCHOLOGY-SUPPLEMENTS.md §2 心理学元分析 8 议题：

1. RVE（依赖效应量未知结构，k ≥ 5）→ robumeta + clubSandwich
2. Three-Level（层级明确，k ≥ 20）→ metafor rma.mv
3. MASEM（多变量 SEM 综合，k ≥ 10）→ metaSEM
4. Hunter-Schmidt（信度衰减校正，仅心理学量表）→ psychmeta
5. Reliability Generalization（信度本身是综述对象）→ psychmeta + REGEMA
6. p-curve / p-uniform*（evidential value 诊断，k_significant ≥ 5）→ puniform / dmetar::pcurve
7. PET-PEESE（校正后效应量估计，k ≥ 10）→ metafor mods
8. RoBMA（贝叶斯加权综合）→ RoBMA（需 JAGS，运行时缺失→默认不选/降级 puni_star+PET-PEESE）。依赖效应量场景（L9.3 判定三层/RVE）发表偏差用 Egger-MLMA（scripts/egger_mlma.R），非单水平检验

心理学元分析必报清单（在标准 Cochrane 元分析报告之外）：

• 95% prediction interval（异质性更大，必报；k < 5 + 心理学场景仍报但显式标注"normal 假设不稳健"，详见 §11.5）
• 依赖效应量处理（RVE / 三层）
• Attenuation correction（如适用）
• p-curve / p-uniform 诊断
• PET-PEESE 敏感性
• RoBMA 贝叶斯综合（如可用；需 JAGS，运行时缺失→默认不选/降级 puni_star+PET-PEESE）
• 预注册声明 + ITT 报告

详见 references/L9-psychology-special.md。

10.2 中文场景

参见 SSOT-CHINESE-CONTEXT.md。

• CNKI / 万方 / VIP 检索（覆盖中文研究）：用户在 L4 应同时检索这些库
• 中英文术语对照："元分析" / "Meta 分析" / "森林图" / "异质性" / "随机效应模型" / "亚组分析" / "信度概化"
• GB/T 7714-2015 引用格式（中文期刊投稿）
• 《心理学报》《心理科学进展》：要求与 APA MARS 类似但语言中文 + GB/T 7714；Open Science 政策（预注册声明、数据共享）
• 中文场景 L11 输出：中文报告 + 中文 forest plot 标签
• 中文检索回退：检索主路径 = paper-search-pro（HTTP，无 MCP）；OpenAlex/SS/CrossRef/PubMed 对中文覆盖有限 → 0 命中时主 Agent 引导用户人工导出 CNKI/万方题录 → ingest_search_exports.py 摄入；详见 §11.1

11. 故障诊断与回退

本章节按"诊断信号 + 阈值 + 回退路径"三件套组织。故障切换决策写入 decisions/<阶段>_failure_switch.md。

11.1 检索主路径与回退（含中文场景）

检索主路径 = paper-search-pro Skill（OpenAlex / Semantic Scholar / CrossRef / PubMed 均走 HTTP API，需在环境中配置对应 API key，无需任何 MCP server）。若运行环境未提供 semantic-scholar / openalex MCP server（常见默认情况）——因此故障诊断信号以"paper-search-pro 检索结果异常"为准，不以"SS/OpenAlex MCP 报错"为准（该环境下这类报错不会出现）。中文检索因 OpenAlex/SS/CrossRef/PubMed 覆盖中文文献有限，主路径 = 用户人工导出 CNKI/万方 → systematic-review/scripts/ingest_search_exports.py 摄入。

firecrawl-abstract 降级注：若运行环境无 semantic-scholar MCP server → 该 Skill 的 paper_details（Semantic Scholar API / SS 法）通道不可用；默认走 Firecrawl Scrape / Firecrawl Extract 两法（Firecrawl key 在场可用），按 DOI / URL 抓取并解析摘要。

11.2 R 包不可用回退（MA 专属）

R 包替代方法的诚实披露（C4 三段体例，必嵌入 Limitations）：

段 1：原方法假设使用 metafor（Viechtbauer 2010）+ HKSJ 小样本调整。 段 2：本元分析使用 Python statsmodels 因 R 不可用。差异：(1) HKSJ 未实现，使用标准 Wald CI（k 小时低估不确定性）；(2) τ² 估计器仅 DerSimonian-Laird；(3) Cochran's Q 计算同 metafor。 段 3：通过 leave-one-out 与 PI 报告缓解差异 1；在 Discussion 披露此局限。

11.3 检索回报极端值（如 MA 接 SR L4）

11.4 数据严重不足 — k=2-4 决策表（核心）

应用 W5_FIX_PLAN F.P0.5 + Cochrane v6.5 §10.10.4：

心理学场景特别约束：心理学场景 + k < 5 → 仍报 PI 但显式标注"normal 假设不稳健"（应用 W5_FIX_PLAN F.P1.3）；非心理学 + k < 5 → 不报 PI，给 sensitivity 分析。

11.5 异质性极端 / 综合失败

11.6 校正失败 / 应用判断

11.7 字数严重不匹配（引用 SSOT-WORDCOUNT-RULES §8）

12. 输出格式与文件命名

12.1 标准交付物清单（你产出什么）

• 完整定量元分析报告（按 APA MARS / JARS-Quant Table 9 + PRISMA 2020）
• 效应量提取与计算（5 决策树 + 7 SE 反算 + Hedges' g / Hunter-Schmidt 校正）
• 模型选择与合并（FE / RE / RVE / 三层 / MASEM）
• 异质性披露（I²/Q/τ²/95% PI 必报；I² > 75% 不允许仅呈现合并效应）
• 子组分析与 meta-regression（k ≥ 10 + ICEMAN 6 维 + 预设 vs 事后区分）
• 出版偏倚检验（funnel + Egger/Harbord + 至少 1 项心理学补充：p-curve / PET-PEESE / RoBMA / selection models；k ≥ 10）
• 可运行 R 代码（metafor / robumeta / clubSandwich / psychmeta / metaSEM / puniform / RoBMA（需 JAGS，默认不选））
• GRADE 证据等级（含元分析专属考虑：异质性、不精确、出版偏倚降级）
• 固定渲染器产图（forest / funnel / PRISMA / RoB 四件套 = 内置 ma-plots 渲染器固定命令 + QC 门，§13.2/§13.4；SoF 表 = md 表格，L10 产出）
• 交付清单 manifest（00_交付清单_manifest.md，五节模板 references/delivery-manifest-template.md，§12.4）
• 投稿四件（投稿 docx / 投稿 PDF man / 发表预览 PDF jou / 干净 md —— manuscript-typeset 默认产出，不待用户追加；§12.4 步骤③ + §13.4）
• 决策档案（decisions/ 子目录 — 跨阶段一致性保障）

12.2 决策档案目录（与本任务工作目录平级）

decisions/
  01_type_decision.md ... 11_reporting_standard.md
  09.1_effect_size.md / 09.4_model_selection.md / 09.5_heterogeneity.md / 09.6_subgroup.md / 09.9_publication_bias.md

追认③（G5 · 公理 8 好偏离追认）——audit 卡替代 09.4/09.5 决策档 · 档名消歧：实战未单建 09.4_model_selection.md / 09.5_heterogeneity.md，而由 render_audit_card.R 产的 09.4_audit.md / 09.5_audit.md 审核卡承载（卡已含判断点 + 红黄绿灯 + 数据 + 签核块，功能完全覆盖决策档）。规范消歧：同阶段 09.x_audit 审核卡在场即视为该阶段 09.x 决策档到位，不要求两者并存（消除"§12.2 档名规定 vs 门产物命名"两套并行冲突，实战 D12 偏离）。文件命名唯一权威仍见 §12.3。

12.3 SubAgent 产出文件命名（L<N>_<task>.<ext> — 唯一标准）

这是全库产出文件命名的唯一权威（关 BK-11）。subagent-templates / L9-r-code-templates / scripts/*.R 的读写名一律对齐本表，不得另起裸名（如 effect_sizes.csv / *_results_summary.txt 等旧裸名已废弃）。扩展名按语义：数据 .csv / 文档 .md / 图 .png(ma-plots 渲染器) 或 .pdf(metafor 直出) / R 脚本 .R / R 原始输出 .txt。

# —— L9 数据 / 决策产出 ——
L9.1_effect_sizes.csv         # L9.1 效应量数据（R-ready：study_id/outcome_name/yi/vi/sei/n_total + 可选 effect_id/subgroup/year/reliability_xx/reliability_yy）
L9.1_extraction_decisions.md  # L9.1 提取决策记录（原 extraction_decisions.md）
L9.2_corrections.csv          # Hedges' g + Hunter-Schmidt 校正后值
L9.3_dependency.md            # 依赖结构判断
L9.4_model_selection.md       # FE/RE 决策 + τ² 估计器
L9.5_heterogeneity.md         # I² + Q + τ² + 95% PI
L9.6_subgroup.md              # 子组分析（k ≥ 10）
L9.7_metaregression.md        # meta-regression（k ≥ 10）
L9.8_sensitivity.md           # leave-one-out 等
L9.9_publication_bias.md      # funnel + Egger + 心理学补充
L9.10_masem.md                # 按需（MASEM 结论）
L9_psychology_special.md      # (S5) 心理学专题 SubAgent 产出（替原裸名 psychology_special.md）
L10_grade.md                  # GRADE 评估
L11_draft_A.md / L11_draft_B.md / L11_merged_1.md / L11_merged_2.md / L11_final.md  # 2-2-1
L11_mars_compliance.md        # MARS-Compliance-Agent 产出（原 mars_compliance.md）
L11_claims_vs_data.md / L11_ref_verify_report.md  # 监督模式 SP6/SP7 产物（S6 接线）
L12_amstar2.md                # 自评
# —— R 脚本 / 原始输出（统一 L9_/L9.x_ 前缀，替代旧 *_results_summary.txt 散名）——
L9_meta_analysis_main.R       # 完整工作流主 R 脚本（原 meta_analysis_main.R）
L9_meta_results.txt           # metafor 基础 R 原始输出（原 meta_results_summary.txt）
L9.3_rve_results.txt          # RVE R 原始输出（原 rve_results_summary.txt）
L9.2_psychmeta_results.txt    # Hunter-Schmidt R 原始输出（原 psychmeta_results_summary.txt）
L9.9_pcurve_results.txt       # p-curve/p-uniform R 原始输出（原 pcurve_results_summary.txt）
L9.9_egger_mlma_results.txt   # (S5) Egger-MLMA（依赖效应量多水平/RVE 发表偏差）R 原始输出
L9.10_masem_results.txt       # MASEM R 原始输出（原 metaSEM_results_summary.txt）
# —— Chart-Bridge 数据 + 图（见 §13.2 + L9-r-code-templates §10）——
L9_forest_data.csv            # Chart-Bridge 森林图 per-study 数据（列 study/es/ci_lo/ci_hi/weight；R 导出 → ma-plots 渲染器消费）
L9_forest_pooled.csv          # 森林图 pooled diamond + 异质性侧车（es_overall/ci_lb/ci_ub/I2/Q/tau2）
L9_funnel_data.csv            # Chart-Bridge 漏斗图 per-study 数据（列 study/es/sei）
L9_funnel_pooled.csv          # 漏斗图 pooled 标量 + Egger 侧车（pooled/egger_intercept/egger_p/k）
L11_forest_plot.pdf / L11_funnel_plot.pdf  # metafor 直出（草图/敏感性速览）
L11_forest_plot.png / L11_funnel_plot.png  # ma-plots 渲染器渲染（发表级，§13.2 产出）

图扩展名裁定（锁4 §4.2.4）：保留两条产图路径各自原生扩展名、前缀统一 L11_——.pdf = metafor 直接 pdf() 出的草图（快速自检）；.png = ma-plots 渲染器经 Chart-Bridge 渲染的发表级图（APA 7 + CVD-safe，样式复用 ssci-plots）。两者并存不冲突。

12.4 L12 交付打包（manifest + 投稿四件 + 审核包互链 —— G9）

L12 自评（§4.5）完成后，交付打包按以下五步执行（治实战病根：交付打包零规范——全库 grep manifest|交付清单|打包 0 命中，实战那份高质量交付清单是临场发明，下次运行归零）：

1. 交付区组装：建 03_交付/，最终交付物复制进入（非移动）；命名 [name]_v[N].[M].[ext]（禁"最终版 / final"式主观后缀）。
2. 调 manuscript-typeset 产投稿四件（默认动作，不待用户追加）：python3 <manuscript-typeset>/scripts/typeset.py --request typeset_request.yaml --outdir <03_交付/子目录>（四元组与降级见 §13.4；fidelity fail = exit 2 阻断该件，缺 xelatex 降级 docx+md 两件）。
3. L12.5 审核包 build（监督模式）：python3 <review-methodology-foundations>/scripts/audit_package.py build --run <运行根> --content <_audit_content.json> --out <运行根>/03_交付/ 产 00_审核入口.md + 审核包（规范 = review-methodology-foundations/references/SIGNING-AUTHOR-AUDIT-PACKAGE.md；就绪硬门 = signoff_preflight.py --gate L12.5 --decisions-dir <运行根>/decisions）。
4. 产交付清单 manifest（在②③之后定稿——其必填输入此时才齐）：按 references/delivery-manifest-template.md（五节模板）产 03_交付/00_交付清单_manifest.md——其 §1 登记 typeset 实产件数（含降级如实）；其 §3a 逐条覆盖步骤②产出 PLACEHOLDERS.md 的全部条目（占位符不允许静默漏交待）；其 §2 必含名值绑定抽查记录（带 study 标签的图/表抽 N 行核"显示名↔study_id↔数值"三方一致，G7 教训，§13.2 labels 纪律的交付面收口）；头部互链行指向步骤③已产出的 00_审核入口.md。
5. 两个 00_ 文件分离互链核对，不合并：00_交付清单_manifest.md = 投稿物索引（给要投稿的人）；00_审核入口.md = 署名人终审动线（给要签字担责的人）——职责分离、彼此链接（G2 边界，D-8）。gate 六段 / 审核站五栏 / manifest 五节的三结构职责对照（含"gate 签核 vs 终审签字 = 两次独立签署勿去重"）见 review-methodology-foundations/references/THREE-STRUCTURE-MAP.md。

之后 → 署名人终审。纯 SR 路径的 L12 打包同此规范（manifest 模板住本 Skill references/ 被 systematic-review 引用；SR 侧指针见其 §12 尾）。

13. 与其他 Skill 的关系

13.1 联合工作流：systematic-review + meta-analysis

推荐路径：

用户场景：定量合并 23 项 RCT
  ↓
Step 1：先调用 systematic-review 完成 L1-L8
  - L1 类型识别（含心理学判定）→ decisions/01_type_decision.md（MA 沿用）
  - L2-L8 全部
  ↓
Step 2：切换到 meta-analysis 完成 L9-L12
  - L9.1-L9.10 定量合并
  - L10 GRADE
  - L11 APA MARS（含 forest plot=内置渲染器 §13.2）
  - L12 AMSTAR 2 自评

主 Agent 在用户表达"我已完成检索/筛选/RoB，需要做定量合并"时，可直接进入本 Skill（独立 MA 入口，按 §3.3 脚手架先建 01/02/07/08）；表达"完整系统综述含定量合并"时建议联合工作流。

联合路径 decisions/ 共用 + 09↔09.1 衔接门（关 BK-7，N-1..N-4）：

• N-1 同一 decisions/ 目录：联合路径 SR 与 MA 共用同一 decisions/（与工作目录平级）。MA 不新建独立目录，直读 SR 已产的 01..08 + 09_synthesis_decision.md。
• N-2 09_synthesis_decision.md 共用、MA 只读不覆盖：SR 在 L9 产它（含"切 MA"结论 + 推荐模型族）；MA 接力只读不重写，当"是否进 MA + 模型族"输入。
• N-3 MA 从 09.1 续编：MA 在同目录新建 09.1/09.4/09.5/09.6/09.9 子阶段档，与 09 并存（小数层级天然区分，不存在覆盖）。
• N-4 触发器升为阻断门（写死）：主 Agent 进入 MA L9.1 前，必读 decisions/09_synthesis_decision.md：若其切换结论 ≠ "推荐切 MA" → 阻断（不应进 MA，回 SR L9 SWiM/Popay）；若 = 推荐切 MA → 读取其推荐模型族（FE/RE/RVE/三层/MASEM）作为 L9.3/L9.4 的输入约束。这把 BK-7 从"易漏的手工搭桥"升级为"阻断门保护的写死接力"。

联合路径 L10-L12 归属（锁4 §4.4 裁定）：以元分析为终点的联合路径，meta-analysis 拥有 L9-L12——由 MA 产 10_grade_decision.md + 11_reporting_standard.md + L12_amstar2.md（依据 MA §12.1 交付物清单 + 本 §13.1 联合工作流）。纯 SR 路径（无 MA）的 L10-L12 仍由 SR 完成。

SR L7 → MA L9.1 字段映射：详见 systematic-review references/L7-extraction-dual.md §11（映射表本体，对接本 Skill L9.1-effect-size-extraction.md §8.2 输入契约——study-level 原始统计量；L9.1 负责把原始量经 escalc 算成 ES/SE/yi/vi/sei）。

13.2 Chart-Bridge 数据+渲染双锁定：ma-plots 固定渲染器（forest / funnel / PRISMA / RoB）

本 Skill 不直接现场写渲染代码。图 = 固定渲染器 scripts/plots/ 参数化直出 + 内置 QC 断言 exit≠0（G7；治实战病根：SubAgent 现场写 500 行 matplotlib + 无 QC 门 → Fig6 图例压末行数据点带伤交付）。四渲染器：forest.py / funnel.py（Python 固定渲染器）+ prisma_flow.py（薄包装官方 PRISMA2020 R 包）+ rob_traffic.py（薄包装官方 robvis R 包）。三步硬契约：

1. R 导出锁定 CSV（不变）（references/L9-r-code-templates.md §10 Chart-Bridge，在 metafor_basic.R 的 res_re 之后跑）：L9_forest_data.csv（列 study, es, ci_lo, ci_hi, weight + pooled 侧车）+ L9_funnel_data.csv（列 study, es, sei + pooled 侧车）。PRISMA counts YAML / RoB domains CSV 新契约见 references/prisma-flow-contract.md / references/rob-figure-contract.md。
2. 固定命令行调用渲染器（SubAgent 不写渲染代码）：
   • python3 scripts/plots/forest.py --data L9_forest_data.csv --pooled L9_forest_pooled.csv --labels <study→显示名> --out L11_forest_plot [--pi lo,hi] [--subgroup-col C] [--ilab n_int,n_ctrl] [--width single|double]
   • python3 scripts/plots/funnel.py --data L9_funnel_data.csv --pooled L9_funnel_pooled.csv --out L11_funnel_plot [--width]
   • python3 scripts/plots/prisma_flow.py --counts prisma_counts.yaml --out L11_prisma_flow [--width]
   • python3 scripts/plots/rob_traffic.py --data rob_domains.csv --labels <study→显示名> --tool both --out L11_rob [--summary-bar --weights-from <cell>] [--width]
   • 渲染器只画不算（es/pooled/权重全从 CSV 读，绝不重算）；样式复用 ssci-plots 底座（apply_style/get_palette/save_figure）；标签纪律硬门（禁 ~2019/Anon./裸内部 ID 上图，gap 入 Note）。命令行签名权威见 scripts/plots/README.md。
   • labels 机械同源纪律（G7 复验教训，硬性）：--labels 文件必须从特征表 / G2 ID 对照卡机械生成并落盘（含 ~2019 尾注等内部记法净化），禁止手造——手造 labels 曾致对比样张名值错位 8/13 + 编造研究名（渲染器本体键 join 无缺陷，缺陷在输入）。名值绑定是"版式 QC + 数值 oracle"之外的第三类检查：凡带 study 标签的交付图，验收必须抽 N 行核显示名 ↔ study_id ↔ 数值三方一致（交付面登记入 manifest §2 抽查记录，§12.4）。
3. 渲染器内置 QC 断言 exit≠0 即阻断（治 Fig6 无 QC 门）：图例 bbox 不压数据 / 输入行全部在场（输出≥输入）/ 必需元素在场 / 图幅=版式宽 / 权重-面积单调 + 对比度下限（forest）/ PRISMA 平行流仅 included 汇合 / RoB 域集匹配工具 + weighted bar 禁静默混权。退出码 0（绿）/ 1（输入错）/ 2（QC 失败，阻断出图，--warn-only 可降）/ 3（空）。失败阻断门保留：CSV 缺失或 0 行 → 阻断（不编图数据、不空跑；结构性人在环门 BK-12）。ssci-plots 退居 ma-plots 的样式依赖 + 非 MA 四件套通用图出口。

13.3 Skill 边界速查

13.4 卫星依赖矩阵（四元组硬契约 —— G9）

定位：本表把每个卫星调用锁成四元组命令行契约【何时调 / 命令或入口 / IO 契约 / 缺失时降级】，替代"联动 X"式叙述性动词（E-Q4 病根：叙述性依赖可被合法绕开——实战 L11 现场手写 500 行 matplotlib 翻车）。四元组为新立契约形态（照 §11.1 故障表"信号 / 阈值 / 回退"精神扩展）。每行"缺失时降级"给出明确的阻断或降级动作，禁止静默跳过。表内文件路径 = skill-根相对路径；命令中 <skill> = 该 skill 根目录（严禁解析到 runtime ~/.claude/skills/ 或裸相对 skills/）。

…(truncated)