用途：设计并实现生产级机器学习流水线基础设施，包括实验追踪、编排系统与自动化训练工作流。
主要能力：按核心工作流组织，依次为设计流水线架构（梳理数据流、划分阶段、定义组件接口）、训练前校验数据 schema 与分布、实现特征工程与特征存储、编排分布式训练与超参数调优及资源分配、记录指标参数与产物以支持对比和复现、通过模型评估门禁并实施 A/B 测试或影子部署后再上线。
参考文档按主题加载：特征工程（references/feature-engineering.md，涉及 Feast、数据校验）、训练流水线（references/training-pipelines.md）、实验追踪（references/experiment-tracking.md，涉及 MLflow、Weights & Biases、模型注册表）、流水线编排（references/pipeline-orchestration.md，涉及 Kubeflow Pipelines、Airflow、Prefect、DAG 设计）、模型验证（references/model-validation.md）。
使用方式：提供 MLflow 实验记录、Kubeflow 单步组件、Great Expectations 风格数据校验等代码模板作为起点。实现流水线时需给出完整流水线定义（Kubeflow DAG、Airflow DAG 或等价物）、含内联数据校验的特征工程代码、带实验记录的训练脚本、含明确通过/失败阈值的评估代码、部署配置与回滚策略，并简要说明架构决策与可复现措施。
约束：始终显式版本化数据、代码与模型（DVC、Git 标签、模型注册表），固定依赖与随机种子，记录全部超参数、指标与产物，训练前校验数据，使用容器化环境并将凭据存入密钥管理器，实现错误处理、重试与告警，清晰分离训练与推理代码；不得在无实验追踪或未记录超参数的情况下训练，不得部署无验证指标的模型，不得使用不可复现的随机状态或跳过数据校验，不得静默忽略流水线失败或把凭据混入代码。
适用场景：需要构建可复现、可审计的 ML 训练与部署流水线的工程团队。限制：资料未提供具体收费、价格、平台支持范围与效果数据。