用途：该技能面向机器学习项目，用于简化实验追踪的初始化工作，减少手动配置环境、安装依赖和编写记录代码的重复步骤。
主要能力：技能会分析当前项目上下文，并根据用户偏好或已有项目配置，选择 MLflow 或 Weights & Biases（W&B）作为追踪工具；安装所需的 Python 包并设置环境变量；初始化所选工具，可能包括启动本地 MLflow 服务或连接 W&B 项目；提供示例代码，演示如何在机器学习代码中记录实验参数、指标和产物。
使用方式：当用户需要在新项目中开始追踪机器学习实验、把实验追踪集成到已有机器学习项目，或快速搭建 MLflow 或 W&B 时触发该技能。资料示例包括：用户提出“track experiments using mlflow”时，技能会安装 mlflow Python 包，并生成向 MLflow 服务记录参数、指标和产物的示例代码；用户提出“setup experiment tracking with wandb”时，技能会安装 wandb Python 包，并生成初始化 W&B 及记录实验数据的示例代码。
适用场景：适合新项目启动实验追踪、为已有项目补充追踪能力、快速配置 MLflow 或 W&B，以及自动化参数、指标和产物记录流程。该技能也可与生成或修改机器学习代码的其他技能（例如模型训练或数据预处理类技能）配合使用，以确保实验得到记录和归档。
限制与最佳实践：资料建议根据项目规模和复杂度选择工具，MLflow 适合本地追踪，W&B 提供云端协作和高级功能；应建立一致的参数、指标和产物记录策略，以保证实验间可比性；应利用产物记录来追踪模型、数据集等相关文件。资料未提供具体平台限制、收费、价格或更多实现细节，这些内容暂未提供。