用途：该技能面向机器学习模型部署与推理，使用 ONNX Runtime 在 Python、Rust、Go 等平台执行跨平台、高性能推理，适用于边缘 ML、模型量化等场景。
主要能力：
- 模型导出：支持将 PyTorch 模型通过 torch.onnx.export 导出为 ONNX（opset 17，支持动态 batch 轴），也支持用 skl2onnx 将 scikit-learn 模型转换为 ONNX。
- 推理：Python 侧提供 ONNXPredictor 类，可配置 CUDA/CPU 执行提供器、图优化级别与线程数，并支持批量预测；Rust 使用 ort 2.0+，Go 使用 onnxruntime_go 1.17+。
- 模型优化：提供动态量化（quantize_dynamic，QInt8）与 onnxoptimizer 图优化（如消除恒等、融合 BN 到卷积等），并可组合为面向边缘的完整流水线。
- 模型注册：ModelRegistry 类记录模型版本、SHA-256 哈希、注册时间与指标，支持按名称和版本获取路径。
使用方式：按栈安装依赖（Python：onnx 1.15+、onnxruntime 1.17+、torch 2.2+；Rust：ort 2.0+；Go：onnxruntime_go 1.17+），导出模型后用 onnx.checker.check_model() 校验，再加载会话执行推理；边缘部署可先优化再量化。
适用场景：需要跨语言、跨平台部署 ML 模型，或在边缘设备上运行量化模型的工程场景。
限制：资料未提供具体性能基准、精度损失数据、支持的模型类型范围及收费信息；部分代码示例为示意，实际使用需按环境调整。