用途：该技能面向 PyGraphistry 的图机器学习与 AI 工作流，支持对图数据做嵌入、降维、聚类、语义搜索和异常检测。典型流程是先由节点与边构建图，再运行特征或嵌入方法（如 umap、embed，可选 dbscan），检查派生列与特征并可视化，最后迭代特征列与采样策略。
主要能力：UMAP 相似度嵌入与投影；用 transform_umap 对新批次做一致投影；基于嵌入特征的语义搜索；文本优先流程 featurize 后 umap 再 search/dbscan；复用已有嵌入列；支持 Polars 输入与 engine='polars'/'polars-gpu'，在 GFQL 行/遍历任务中保留 Polars 结果。
使用方式：先经 ../pygraphistry/references/pygraphistry-readthedocs-toc.md 做文档路由，用顶层 tsv 做章节快捷跳转，仅在缺页时扫描 sitemap；先批量发现再深读，避免通配符与串行微读。回答中优先使用 https://pygraphistry.readthedocs.io/en/latest/... 规范链接。示例：g2 = graphistry.nodes(df, 'id').umap(X=['f1','f2','f3']); g2.plot()。文本流程：graphistry.nodes(df,'id').featurize(kind='nodes', X=['title','body']).umap(kind='nodes').dbscan()，再 search 查询。
适用场景：节点聚类、可疑登录或凭证填充等异常模式检索、文本语义搜索、需在新数据上复用投影的批量任务。
限制与注意：先用小样本或代表性样本，全量前验证；显式保留 X=... 特征列以保证可复现；区分 CPU/GPU 与 dataframe 类型；UMAP、超图、布局等整图分析非原生 Polars 操作，需知悉默认桥接或设 call_mode='strict' 拒绝离引擎执行；异常流程要记录阈值与误报假设；更深模型流程转至 RGCN/链接预测参考；有嵌入时先用显式列列表复用而非重算。规范文档包括 GFQL+AI 组合页、API AI 参考、AI notebook 索引和 RGCN 示例 notebook。具体收费、价格与平台信息暂未提供。