用途：为机器学习 Jupyter Notebook 提供生产质量指导，覆盖审计、重构、模板生成、报告与脚本转换。
主要能力与操作：audit 分析反模式、数据泄漏与可复现问题；refactor 转为模块化 Python 流水线；template 基于 EDA/分类/实验模板生成新 Notebook；report 依据已执行 Notebook 生成 Markdown 摘要；convert 从 Notebook 提取 Python 脚本。
审计检查要点：单元格执行顺序连续、随机种子尽早设置、导入置于顶部、避免硬编码路径、建模前明确训练/测试划分、预处理在划分之后、逻辑模块化、记录依赖。严重级别分为 CRITICAL（数据泄漏、缺少划分、结果不可复现）、HIGH（无种子、硬编码路径、顺序问题）、MEDIUM（缺少模块化、无依赖文档）、LOW（命名、注释、风格）。
重构步骤：识别数据加载、预处理、特征工程、模型定义、训练、评估等章节；将重复或复杂单元格代码抽取为函数；建立 data.py、features.py、model.py、train.py、evaluate.py、config.py、main.py 的模块结构；可用脚本转换。
模板与脚本：模板位于 assets/templates/，如 eda_template.ipynb、classification_template.ipynb、experiment_template.ipynb。可用 cp ~/.claude/skills/notebook-ml-architect/assets/templates/classification_template.ipynb ./my_experiment.ipynb 复制。审计可用 python scripts/analyze_notebook.py <notebook.ipynb> [--output json|text]；执行可用 python scripts/run_notebook.py input.ipynb output.ipynb --params '{"learning_rate": 0.01, "epochs": 100}' --timeout 3600；转换可用 python scripts/convert_to_script.py notebook.ipynb output.py --include-markdown --group-by-sections --add-main。
可复现性：使用随机种子头片段，打印 Python 与包版本，通过 pip freeze > requirements.txt 或 conda env export > environment.yml 记录依赖，记录数据来源、下载日期与预处理步骤，使用相对路径，大数据集可考虑 DVC。
常见问题与修复：数据泄漏需先划分再仅在训练集上 fit，测试集只 transform；隐藏状态每次运行前重新初始化变量；缺失种子需显式设置 random_state 等。
AI 工具使用：Context7 查询库 API，Exa 搜索最新最佳实践，GitHub 搜索真实代码模式。
适用场景：机器学习 Notebook 的审查、重构、模板化与可复现性改进。限制：依赖 Claude 技能环境与相关脚本、模板资源；具体版本与兼容性暂未提供。