domain-ml 是一个面向 Rust 机器学习/AI 应用开发的领域约束技能，属于该技能体系中的第 3 层“领域约束”。其目标是把机器学习领域的规则转化为具体的设计约束，并进一步落到 Rust 的实现方式上。
主要用途：在 Rust 中构建 ML/AI 应用时，处理机器学习相关的领域问题，包括大数据内存效率、GPU 加速、模型可移植性、批处理、数值精度和可复现性等。
主要能力：技能给出“领域规则 → 设计约束 → Rust 含义”的映射，例如大数据需要高效内存，对应零拷贝与流式处理；GPU 加速需要 CUDA/Metal 支持，对应 candle、tch-rs；模型可移植需要标准格式，对应 ONNX；批处理需要吞吐优先于延迟，对应批量化推理；数值精度需要浮点处理，对应 ndarray 与谨慎的 f32/f64；可复现性需要确定性，对应带种子的随机与版本管理。技能同时列出用例到框架的推荐：仅推理推荐 tract（ONNX），理由是轻量、可移植；训练与推理推荐 candle、burn，理由是纯 Rust、支持 GPU；PyTorch 模型推荐 tch-rs，理由是直接绑定；数据管道推荐 polars，理由是快速、惰性求值。关键 crate 包括：张量 ndarray、ONNX 推理 tract、ML 框架 candle/burn、PyTorch 绑定 tch-rs、数据处理 polars、嵌入 fastembed。
使用方式：技能提供可参考的设计模式与代码模式。设计模式包括模型加载（一次加载、重复使用，使用 OnceLock<Model>）、批处理（提升吞吐，先收集再处理）、流式处理（大数据，基于迭代器）、GPU 异步（并行，数据加载与计算并行）。代码模式给出“推理服务”示例，使用 std::sync::OnceLock 与 tract_onnx::prelude，通过 get_or_init 加载并优化 ONNX 模型，再在 predict 中对输入张量运行模型并收集 f32 结果；另给出“批量推理”示例，按 batch_size 对输入分块，堆叠为批次张量后推理，再展开结果。
适用场景：在 Rust 中构建 ML/AI 应用、需要高效内存与数据管道、需要 GPU 推理、需要模型加载与 ONNX 部署、需要批处理提升吞吐量等场景。
限制与注意事项：资料以约束、推荐和代码模式为主，未提供完整项目结构、具体版本要求、性能基准、价格或收费信息、平台与部署细节，相关内容暂未提供。技能列出的常见错误包括克隆张量（内存浪费，应使用视图）、单条推理（GPU 利用率低，应批处理）、每请求加载模型（慢，应使用单例模式）、同步数据加载（GPU 空闲，应使用异步流水线）。相关技能包括性能 m10-performance、惰性初始化 m12-lifecycle、异步模式 m07-concurrency、内存效率 m01-ownership。