用途：为构建生产级 ML 基础设施提供战略指导，覆盖从实验跟踪到部署、监控与治理的完整生命周期，适合设计 MLOps 架构、选型平台、从 notebook 迁移到生产系统、建立持续训练与监控体系时参考。
主要能力：实验跟踪（MLflow、Weights & Biases、Neptune 的对比与选型）、模型注册与版本管理（语义化版本、阶段管理、模型卡）、特征存储（在线/离线特征、时点正确性，Feast、Tecton、SageMaker、Databricks 等）、模型服务模式（REST、gRPC、批处理、流式，Seldon Core、KServe、BentoML、TorchServe、TensorFlow Serving）、部署策略（蓝绿、金丝雀、影子、A/B 测试、多臂老虎机）、流水线编排（Kubeflow、Airflow、Metaflow、Prefect、Dagster）、监控与漂移检测（KS 检验、PSI、性能与业务指标，Evidently、Prometheus/Grafana、Arize、Fiddler）、模型优化（量化、蒸馏、ONNX、剪枝）、LLMOps（LoRA/QLoRA 微调、提示版本管理、RAG 监控、vLLM/TGI 推理优化）以及治理与合规（模型卡、公平性工具 Fairlearn/AI Fairness 360、EU AI Act、SR 11-7、GDPR/HIPAA、审计追踪）。
使用方式：技能以参考文档形式组织，正文指出可查看 references/experiment-tracking.md、model-registry.md、feature-stores.md、model-serving.md、deployment-strategies.md、ml-pipelines.md、model-monitoring.md、llmops-patterns.md 等获取详细对比与实现；资料未提供具体安装命令或代码示例。
适用场景：生产 ML 系统架构设计、平台与工具选型、特征一致性治理、部署与回滚策略制定、自动化重训练、成本与延迟优化、LLM 应用运维。
限制：资料主要为选型与模式说明，未提供具体价格、平台实测数据或完整实施步骤；部分具体技术细节需查阅其引用的参考文档。