$ loading_
从问卷设计、回收清洗到偏差校验一套串起来，适合学术调查数据的去重、脱敏与可靠性复核。
这组更适合学术问卷回收后的数据质控。先用 survey-builder-ai-mcp 在前端检查题目逻辑与结构，尽量减少因题项设计带来的测量偏差；回收后用 data-explore 直接对 CSV 做统计概览、异常值与重复模式排查，再配合 explore-data 快速理解字段分布、缺失和可疑分层。涉及邮箱、手机号或其他可识别信息时，Skyflow PII MCP 可以先做脱敏与令牌化，既方便去重匹配，也更适合合规处理。最后交给 validate-data 对方法、偏差来源、计算口径和结论可信度做一次系统复核，让“去重后还能不能得出稳妥结论”这件事更有把握。
帮助代理快速创建问卷并校验题目质量与逻辑
└ 小编点评 — 前置把关问卷题目质量与逻辑，减少因跳题、措辞或结构不当引入的测量偏差。
帮助用户直接分析 CSV 数据集，完成统计概览、清洗与检验
└ 小编点评 — 直接分析回收 CSV，快速查看重复记录、缺失、异常分布与基础统计概览。
快速剖析新数据集的结构、质量与分布特征，辅助后续分析决策
└ 小编点评 — 帮助快速摸清样本结构与字段质量，定位可疑重复、异常分层和清洗重点。
通过 Skyflow Vault 检测敏感信息并完成脱敏、令牌化与复原处理
└ 小编点评 — 对邮箱、手机号等敏感标识先脱敏再匹配，兼顾去重效率与学术数据合规。
在分享分析结论前，检查方法、计算、偏差与结论是否可靠
└ 小编点评 — 在出结论前复核去重方法、偏差风险与统计解释，避免把清洗结果误当研究发现。