用途：分析单条 MLflow trace，回答用户关于该 trace 的调试、排查与根因定位问题，适用于用户提供 trace ID 并希望调查 AI/ML 应用执行情况的场景。
主要能力：trace 以 span 树记录一次 AI/ML 应用执行的完整过程，每个 span 代表一次操作（LLM 调用、工具调用、检索步骤等），记录输入、输出、耗时与状态；trace 还携带 assessments（人工或 LLM 评审的质量反馈）。技能可读取 trace 结构、检查状态、定位错误 span、解读 assessments 与 rationale、分析 span 时序与 token 用量，并将 trace 内容与源码关联以更精确地定位根因。
使用方式：建议先阅读 references/trace-structure.md 了解完整数据模型。获取 trace 时始终重定向到文件，不要把 mlflow traces get 直接管道给 jq、head 等命令，否则可能静默无输出： mlflow traces get --trace-id <ID> > /tmp/trace.json 随后用 jq 解析文件，例如 jq '.info.state' /tmp/trace.json、jq '.data.spans | length' /tmp/trace.json。优先获取完整 trace 再解析 JSON，而非使用 --extract-fields，因为该参数对嵌套 span 数据支持有限。trace JSON 顶层为 info（元数据、assessments）与 data（spans）。span 输入输出存放在 attributes 中的序列化 JSON 字符串里，如 mlflow.spanInputs、mlflow.spanOutputs；第三方 OpenTelemetry 客户端可能使用不同属性名。若路径不匹配，可用 jq 'keys'、jq '.data.spans[0] | keys' 等发现结构。
分析要点：state 为 OK 仅表示无未处理异常，不代表输出正确；应检查 assessments 的质量信号，无 assessments 时直接分析输入输出与中间 span。解读 assessment 值必须结合 rationale，值本身可能有歧义。assessment 的 error 表示评分器失败，而非 trace 本身有问题。span 时序可揭示性能问题，重复 span 名可能表示重试，token 用量可解释延迟与成本。span 名通常对应被 @mlflow.trace 装饰或 mlflow.start_span() 包裹的函数，自动记录的 span 遵循框架命名约定；span 树镜像调用栈，输入输出对应函数参数与返回值。
限制：资料未提供该技能的安装方式、收费、平台支持范围与具体版本兼容性信息；trace 结构可能随 MLflow 版本变化，第三方客户端属性名可能不同，需自行核对原始 attributes。