用途：设计并实现生产级机器学习流水线基础设施，覆盖从数据校验到模型部署的完整流程。
主要能力：按核心工作流组织，包括设计流水线架构、训练前校验数据模式与分布、实现特征工程与特征存储、编排分布式训练与超参调优、用 MLflow 或 Weights & Biases 追踪实验、通过评估门禁与 A/B 测试或影子部署完成验证与上线。参考指南按主题加载：特征工程、训练流水线、实验追踪、流水线编排、模型验证。
使用方式：提供 MLflow 实验记录、Kubeflow Pipeline 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 等）、含内联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：始终对数据、代码、模型显式版本化（DVC、Git 标签、模型注册表），固定依赖与随机种子，记录全部超参与指标，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将凭据混入代码。
适用场景：需要可复现、可审计的 ML 训练与部署流水线的工程团队。
限制：资料未提供具体安装命令、收费方式、平台支持范围与性能数据。