用途：构建端到端 AutoML 流水线，包括数据检查、特征预处理、模型搜索与超参数调优、评估，以及可导出的部署产物；适合需要可重复训练运行、明确时间/算力预算并产出结构化结果（配置、报告、可运行流水线）的场景。
主要能力：识别问题类型（二分类/多分类/回归等）；定义评估指标（accuracy、F1、RMSE 等）；设定 AutoML 搜索的时间与资源预算；指定特征类型与预处理需求；确定模型可解释性要求；加载训练数据、进行初始数据质量评估；配置训练/验证/测试划分策略；定义特征工程变换与数据校验；初始化 AutoML 流水线配置；输出完整 Python 实现、数据加载与预处理函数、特征工程变换、模型训练与评估逻辑、超参数搜索配置，以及最优模型结构与超参数。
使用方式：需具备带 AutoML 库（Auto-sklearn、TPOT、H2O AutoML 或 PyCaret）的 Python 环境、可访问格式的训练数据集（CSV、Parquet 或数据库）、对问题类型的理解、足够的计算资源及相关评估指标知识，并明确定义目标变量与特征列。执行时依次完成问题类型与指标定义、预算设定、特征与预处理配置、数据加载与质量评估、划分策略与变换、初始化流水线等步骤；详细实现、错误处理与示例分别参见 ${CLAUDE_SKILL_DIR}/references/implementation.md、errors.md、examples.md。参考资料包括 Auto-sklearn、TPOT、H2O AutoML、PyCaret 及自动化特征选择技术。
限制：资料未说明具体收费、价格、平台兼容范围或实际效果；使用前需自行确认环境与数据条件。