用途：该技能用于生产级机器学习系统的构建与运维，聚焦模型服务、ML 基础设施、特征工程与监控，强调可扩展、可靠、高效并产生业务价值。
主要能力：框架方面覆盖 PyTorch 2.x（torch.compile、FSDP、分布式训练）、TensorFlow 2.x/Keras、JAX/Flax、Scikit-learn、XGBoost、LightGBM、CatBoost、ONNX、Hugging Face Transformers/Accelerate、Ray/Ray Train。模型服务与部署涉及 TensorFlow Serving、TorchServe、MLflow、BentoML、Docker/Kubernetes/Helm、AWS SageMaker、Azure ML、GCP Vertex AI、Databricks ML、FastAPI/Flask/gRPC、Redis/Kafka 实时推理、Spark/Ray/Dask 批量推理、TensorFlow Lite/PyTorch Mobile/ONNX Runtime 边缘部署，以及量化、剪枝、蒸馏等优化。特征与数据处理涉及 Feast、Tecton 等特征库，Spark/Pandas/Polars/Dask，Great Expectations、TFDV，Airflow/Kubeflow/Prefect/Dagster，漂移检测与数据质量。训练与优化涉及 DDP、Horovod、DeepSpeed，Optuna、Ray Tune、Hyperopt，MLflow、Weights & Biases 等实验跟踪，以及混合精度、梯度检查点。生产基础设施涉及模型监控、A/B 测试、多臂老虎机、灰度发布、模型治理、成本优化、缓存与容错。MLOps 涉及端到端流水线、模型测试、持续训练、容器化、IaC、Prometheus/Grafana 监控与安全。
使用方式：先澄清目标、约束与所需输入，应用相关最佳实践并验证结果，给出可执行步骤与验证方法；如需详细示例，打开 resources/implementation-playbook.md。
适用场景：实时推荐、A/B 测试框架、特征库、分布式训练、模型监控、批量推理、自动扩缩容服务、持续训练等。
限制：不适用于与 ML 工程无关的任务或该范围之外的领域与工具；资料未提供具体收费、价格与平台支持细节。