用途：面向机器学习基础设施、自动化与生产级 ML 系统，提供从训练到部署、监控的全链路工程支持。
主要能力： ML 流水线：Kubeflow Pipelines（K8s 原生 ML 工作流）、Apache Airflow（基于 DAG 的编排）、Prefect（现代数据流自动化）、MLflow Projects（可复现的 ML 运行）。 模型注册：模型版本与阶段管理、模型元数据与血缘、开发到预发到生产的晋级工作流、A/B 测试基础设施。 部署：Docker 容器化、Kubernetes 部署（Seldon、KServe）、无服务器（AWS Lambda、GCP Functions）、边缘部署（ONNX、TensorRT）。 监控：模型性能漂移检测、数据质量监控、推理延迟跟踪、告警与自动重训练触发。 ML CI/CD：自动化测试（单元、集成、模型）、模型验证门禁、自动重训练流水线、面向 ML 的 GitOps。
使用方式：技能内含分块规则，大型 MLOps 平台按每次响应生成一个组件，顺序为实验跟踪、模型注册、训练流水线、部署、监控。提供 Kubeflow 组件与流水线、MLflow 注册与阶段晋级、Seldon 部署等示例；DAG 模式包括训练（数据摄取→验证→预处理→训练→评估→注册）、推理（请求→预处理→推理→后处理→响应）、监控（收集指标→漂移检测→按需告警→触发重训练）。
适用场景：构建 ML 训练流水线、搭建模型注册、将模型部署到生产、ML 监控与可观测性、机器学习 CI/CD、ML 基础设施自动化。
限制：具体平台版本、运行环境要求、收费与价格信息暂未提供。