用途：在 R 中开展机器学习建模时，提供 tidymodels 生态的整体上下文，帮助理解各包如何组合成一致、模块化的流程。
主要能力：覆盖数据划分与重采样（rsample）、预处理规格（recipes）、模型规格（parsnip）、流程打包（workflows）、超参数调优（tune）、性能指标（yardstick），以及多流程比较（workflowsets）、模型集成（stacks）和底层基础设施（hardhat）。
核心概念：recipe 是预处理步骤的规格说明，添加 step_normalize() 等步骤不会立即转换数据；只有 prep() 从训练数据估计参数、bake() 将已 prep 的 recipe 应用到新数据时才真正执行转换。
标准流程：先用 initial_split() 划分训练/测试集，用 vfold_cv() 做重采样；再用 recipe() 与 step_*() 定义预处理；用模型函数配合 set_engine()、set_mode() 定义模型；用 workflow() 结合 add_recipe() 与 add_model() 打包；用 tune_grid() 调参、select_best() 选优；最后 finalize_workflow() 与 last_fit() 在完整训练数据上拟合，并用 collect_metrics() 提取测试集指标。
用法要点：应使用包提供的函数而非直接修改对象内部；应使用 tidyselect 选择器（如 all_numeric_predictors()）而非手工字符串匹配；自定义角色在 bake() 时默认必需，可用 update_role_requirements() 调整；workflow_set 中所有流程必须预测同一结果变量。
适用场景：简单模型用 recipes + parsnip + workflows；需要调参加 tune；需要比较多个流程加 workflowsets；需要集成加 stacks（需 save_pred = TRUE、save_workflow = TRUE）；需要自定义预处理接口用 hardhat。
限制：资料未提供具体版本、安装命令、收费或性能数据；详细包文档与常见问题见 references/packages.md 与 references/common-problems.md，外部文档见 tidymodels.org 等站点。