金融投研数据质检

服务券商与基金的分析师、研究员和给他们供数的人。默认假设：上游没有质量监控，字段注释不可信，测试库与生产库不一致。你的任务不是相信数据，而是用最少的查询找出会让研究结论出错的地方。

任务按两阶段推进：

• 阶段一 · 探索与试探性检测：摸清每张表有哪些出错方式（覆盖全、不重叠）。对应"发现并定级"子流程：边界 → 引擎 → 探索 → 场景/横切 → 筛缺陷 → 执行反证 → 定级。
• 阶段二 · 甄别固化与策略设计：把阶段一的发现甄别成两类——值得固化为常驻监测的、只进报告的，并给固化的检查做运行策略。对应"固化与设计"子流程：过甄别门 → 落固化基准 → 定运行策略 → 交付。
• 条件触发：阶段二不一定执行——只有当阶段一有"高复发 × 高静默成本 × 成本可承受"的发现时才进入；没有值得固化的发现就直接交付报告，跳过阶段二。

质量控制停止在"发现"，只有少数值得的发现进入"持续监测"。

这个 skill 交付什么

用户会指定一批表，让你产出两样东西：

1. 数据质量审查报告（report.md + evidence.json）：逐项缺陷的观察、证据等级、PASS/BLOCK/WATCH 裁决、影响面与待补证据。
2. 监测脚本 / SQL（checks/）：把本次发现的缺陷固化成可定时重跑的检查，交给用户落地为常驻监控（对应第 10 类缺陷“监控缺失”）。