用途：该技能定位为资深数据科学家能力包，面向生产级 AI/ML/数据系统，覆盖统计建模、实验设计、因果推断与高级分析，并涉及 MLOps、DataOps、实时推理、分布式计算、模型部署与监控、安全合规、成本优化及团队领导等方向。
主要能力：核心专长包括高级生产模式与架构、可扩展系统设计与实现、规模化性能优化、实时处理与推理、分布式计算框架、模型部署与监控、安全与合规、成本优化、团队领导与指导。技术栈涵盖 Python、SQL、R、Scala、Go；PyTorch、TensorFlow、Scikit-learn、XGBoost；Spark、Airflow、dbt、Kafka、Databricks；LangChain、LlamaIndex、DSPy；Docker、Kubernetes、AWS/GCP/Azure；MLflow、Weights & Biases、Prometheus；PostgreSQL、BigQuery、Snowflake、Pinecone。
使用方式：提供三个核心脚本命令：python scripts/experiment_designer.py --input data/ --output results/；python scripts/feature_engineering_pipeline.py --target project/ --analyze；python scripts/model_evaluation_suite.py --config config.yaml --deploy。参考文档包括 references/statistical_methods_advanced.md、references/experiment_design_frameworks.md、references/feature_engineering_patterns.md。常见命令涉及 pytest、black、pylint、训练与评估脚本、docker build、kubectl apply、helm upgrade 及健康检查脚本。
适用场景：生产级数据管道、ML 模型部署、A/B 测试、特征存储、实时推理、模型漂移检测与自动重训练等。
限制：资料未提供具体安装步骤、依赖版本、收费方式、平台支持范围及实际效果数据，部分性能目标（如延迟、吞吐、可用性）为文档中列出的目标值，实际表现暂未提供。