用途：面向生产环境的机器学习工程模式，覆盖模型部署、MLOps 基础设施、LLM 集成与 RAG 实现、模型监控。
主要能力：
- 模型部署工作流：导出为 ONNX/TorchScript/SavedModel，Docker 打包，先部署 staging 跑集成测试，再以 5% 流量灰度、观察 1 小时，指标通过后转全量；验证标准为 p95 延迟 <100ms、错误率 <0.1%。提供 Dockerfile 模板与 FastAPI+Uvicorn、Triton、TensorFlow Serving、TorchServe、Ray Serve 选型对比。
- MLOps 流水线：配置 Feast/Tecton 特征库、MLflow/W&B 实验追踪、模型注册与版本元数据、注册表事件触发的 staging 部署、A/B 测试与漂移告警。重训触发条件包括定时（周/月全量重训）、性能下降、数据漂移（PSI>0.2）、新数据量达到阈值（增量更新）。
- LLM 集成：提供 Provider 抽象层、tenacity 指数退避重试、备用供应商降级、token 计数与上下文截断、响应缓存、按请求成本跟踪、Pydantic 结构化输出校验。
- RAG 实现：选择向量库（Pinecone/Qdrant/Weaviate/Chroma/pgvector）、嵌入模型、文档分块（固定/句子/语义/递归）、元数据抽取、检索重排、上下文格式化送 LLM。
- 模型监控：延迟 p50/p95/p99、错误率、输入漂移（KS 检验）、预测分布偏移、真值日志、A/B 对比、自动重训触发与告警阈值（p95>100ms 警告/200ms 严重，错误率>0.1%/1%，PSI>0.1/0.2，精度下降>2%/5%）。
使用方式：仓库提供脚本，如 python scripts/model_deployment_pipeline.py --model model.pkl --target staging、python scripts/rag_system_builder.py --config rag_config.yaml --analyze、python scripts/ml_monitoring_suite.py --config monitoring.yaml --deploy；参考文档位于 references/ 下。
适用场景：将训练模型投入生产、搭建自动化训练部署流水线、集成 LLM API、构建 RAG 问答、上线后漂移监控。
限制：官方说明中未提供该技能的收费、价格、许可等信息；成本表中的价格为示例，需以实际供应商为准。