用途：该技能用于机器学习系统的生产化、跟踪、版本管理、治理、监控与自动化，把 notebook 和脚本变成可审计、可重复、有明确归属和回滚能力的系统。
主要能力：实验跟踪（记录参数、指标、工件、数据集版本、代码修订、环境、随机种子、标签；MLflow、Weights & Biases、Neptune、Comet、ClearML 等可选）；模型注册与版本管理（工件 URI、模型签名、预处理引用、依赖环境、训练数据集标识、评估报告、审批状态、负责人、变更日志、预期用途；数据集用 DVC、湖仓表版本、对象存储清单或特征存储物化时间戳做版本）；流水线编排（Kubeflow Pipelines、SageMaker Pipelines、Vertex AI Pipelines、Azure ML Pipelines、Databricks Workflows、Airflow/Prefect/Dagster）；ML 的 CI/CD（代码检查、单元测试、模式测试、小数据训练冒烟测试、模型加载与序列化测试、推理契约测试、安全扫描；蓝绿、金丝雀、影子、A/B 部署）；数据校验（Great Expectations、TFDV、Deequ）；监控与漂移（系统、数据、预测、结果四层，含延迟、错误率、PSI、KS、Brier 分数等阈值参考）；治理、安全与合规；成本控制。
使用方式：按资料中的流程与示例执行，例如 GitHub Actions 工作流 .github/workflows/mlops.yml 中运行 ruff check src/、pytest tests/unit/、python src/train.py --config configs/smoke_test.yaml、python src/verify_contract.py --model_path outputs/model.pt、python scripts/deploy.py --stage staging；模型注册元数据遵循资料给出的 JSON Schema。
适用场景：需要实验可复现、模型可回滚、数据与特征可追溯、上线有质量门禁、线上有监控与漂移响应的 ML 团队。
限制：资料未提供该技能的具体安装命令、收费方式、支持平台清单与效果数据；漂移只是调查信号，不自动证明重训有效；影子模式无法衡量用户影响指标；日志中避免记录密钥、原始 PII 或专有样例。