用途：覆盖 Kaggle 竞赛的完整流程，从数据访问到 Notebook 执行与提交，优先保证可复现性、规则合规和防止数据泄漏，而非依赖排行榜技巧。
主要能力与用法：从 Notebook 输出提交时，使用内核提交形式：
kaggle competitions submit <competition> -k <owner/slug> -f <file> -v <version> -m "<message>"
提交前确认 Notebook 运行成功、输出文件存在且版本号与预期运行一致。状态、日志、文件和输出下载命令参考 notebook-lifecycle。数据访问可用 Kaggle CLI 或 kagglehub 下载竞赛数据；Notebook 需在 Kaggle 运行时，在 kernel-metadata.json 中附加竞赛来源。假设下载或提交可用前，先确认用户已接受竞赛规则。
提交校验清单：检查必需列、顺序、行数和 ID 覆盖；检查空值、无穷值、无效标签和越界预测；Kaggle 运行时将输出保存到 /kaggle/working；确认提交文件名与生成产物完全一致；提交信息简明说明模型或运行变化，不泄露机密。
泄漏与验证审查：使用与竞赛结构匹配的分组、时间或分层划分；在折内进行预处理，避免在验证数据上拟合变换；不要把公共排行榜反馈当作验证集，反复探测排行榜会过拟合；确认外部数据、预训练模型、互联网访问和集成来源符合规则。
可复现性标准：Notebook 应能在干净的 Kaggle 会话中自上而下执行；为 Python、NumPy、框架库和划分器设置随机种子；当环境漂移可能影响结果时固定依赖版本；使用 DEBUG 标志在不改变最终运行逻辑的情况下小样本运行。
常见失败模式：提交被拒检查文件名、列、行、竞赛 slug 和已接受规则；分数异常检查泄漏、目标污染、ID 不匹配、训练/测试合并错误；Notebook 输出缺失检查保存位置、运行失败、超时和文件模式；本地分数不一致检查划分不匹配、折泄漏、随机种子和折外预处理。
安全与限制：不得绕过竞赛规则，或建议重建隐藏测试、抓取私有数据、使用规则不允许的外部数据；长时间 GPU/TPU 训练前应警告；需要机密时建议通过界面使用 Kaggle Secrets，不要声称公共 API 支持机密管理。官方 API 与 Notebook 文档见资料所列 URL。