用途：该技能定位为资深计算机视觉工程师能力，服务于生产级AI/ML/数据系统中的图像与视频处理、目标检测、分割及视觉AI系统构建，可用于架构设计、性能优化、MLOps与部署等环节。
主要能力：覆盖高级生产模式与架构、可扩展系统设计、大规模性能优化、MLOps/DataOps实践、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、成本优化以及团队指导。资料列出的技术栈包括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：提供三个核心脚本调用示例——python scripts/vision_model_trainer.py --input data/ --output results/、python scripts/inference_optimizer.py --target project/ --analyze、python scripts/dataset_pipeline_builder.py --config config.yaml --deploy。参考文档包括references/computer_vision_architectures.md、references/object_detection_optimization.md、references/production_vision_systems.md。另列出开发、训练、部署、监控常用命令，如python -m pytest tests/ -v --cov、python scripts/train.py --config prod.yaml、docker build -t service:v1 .、kubectl apply -f k8s/等。
适用场景与限制：适用于目标检测、分割、实时推理、模型部署监控等生产视觉系统任务，并给出延迟、吞吐、可用性等性能目标。资料未提供具体安装命令、收费方式或平台支持细节，使用前需自行确认环境依赖与脚本可用性。