用途：该技能面向机器学习项目，可在 OpenClaw 中自动生成并运行 ML 代码，覆盖从建模、训练、评估到 MLOps 部署以及大语言模型微调的流程。
主要能力：支持用 scikit-learn 训练线性回归、决策树等监督模型；用 K-means、PCA 做无监督学习与降维；构建 CNN（图像）、RNN（序列）、Transformer（NLP）等深度学习模型；用 Stable Baselines 处理强化学习（含 Q-learning）；用 accuracy、F1、ROC 曲线、混淆矩阵评估模型；执行 MLOps 相关操作，如将模型部署到容器、用 MLflow 监控、接入 CI/CD；用 Hugging Face Transformers 微调 GPT 类模型，并可用 LoRA 提高效率。
使用方式：通过 OpenClaw 的 CLI 或 API 调用。训练需指定模型类型与数据源，评估需提供已训练模型路径。认证需在环境中设置 export $OPENCLAW_API_KEY=your_key。用法模式包括流水线模式（单条命令串联训练与评估）和交互模式（迭代微调）。示例命令：训练 CNN 用 openclaw cs-ml train --model cnn --data /path/to/images --epochs 10 --batch-size 32；微调用 openclaw cs-ml fine-tune --model bert --dataset /path/to/text.json --learning-rate 5e-5。评估 API 为 POST https://api.openclaw.com/cs-ml/evaluate，请求体含 model_path、data_path、metrics。超参数可用 YAML 配置。
适用场景：从零构建 ML 模型、微调 BERT 等预训练模型、通过 MLOps 部署模型、评估性能，以及涉及大数据集、神经网络或生产流水线的任务，如图像识别、文本生成。
限制与注意：常见问题包括数据形状不匹配（可用 --validate-data 校验）、认证失败（401 时检查 $OPENCLAW_API_KEY 是否设置或过期，可 openclaw cs-ml --retry-auth）、库版本冲突与 GPU 运行时错误（可加 --device cuda 并在代码中用 try-except 回退 CPU）。生成脚本可能需要自行安装依赖，如 pip install tensorflow；建议指定库版本兼容性，如 Transformers 4.20+。集成方面依赖 data-processing 做预处理，可与 deployment、nlp 等技能链式配合。