用途：把 ML 团队现有特征（dbt 模型、Prefect/Airflow 调度的 pandas 管道、Spark 特征作业、Feast/Tecton 特征库）迁移到 Chalk。核心不是逐行翻译代码，而是重新建模：用 resolver 描述每个特征是什么、如何计算，由 Chalk 负责调度、物化、缓存与时间点回放。
主要能力：提供五步迁移流程——盘点现有特征（来源、实体粒度、输入、计算、新鲜度、在线/离线用途、时间点语义）、将实体建模为 Chalk feature class 与主键、按来源分类选择构造、移植逻辑、验证一致性。附来源系统映射表（dbt、Prefect/Airflow、Spark、Feast/Tecton 到 Chalk 构造）与常见陷阱清单。
使用方式：先盘点，再建模实体与关系；分类时优先用表达式或 SQL resolver，仅对真正过程式逻辑用 Python。dbt 聚合通常写成 .transactions[.amount].sum() 或 windowed() 表达式；加载仓库数据用 .chalk.sql resolver；Spark 批处理用 @online(static=True) chalkdf；流式来源用 make_stream_resolver。验证时用 client.offline_query(..., recompute_features=True) 并设置 now= 与旧值时间戳对齐，逐项比对差异。
适用场景：dbt/SQL 特征定义转换、pandas 管道移植、Spark 批作业迁移、Feast/Tecton 映射、为仅离线特征建立在线服务、消除训练-服务偏差。
限制：不重复讲解各构造机制，需配合 writing-online-resolvers、writing-static-chalkdf、chalk-streaming、chalk-resolver-acceleration 等技能使用。部分旧输出不可复现（外部模型版本、随机性、依赖墙钟时间），应改为按实体+时间戳摄入历史值或固定模型版本，而非重算。迁移应逐个实体/特征组进行并并行比对，避免一次性全量迁移。