用途：使用 PennyLane 优化参数化电路、构建量子-经典混合模型、估算分子能量，或在多种设备上比较已验证的电路。该技能面向稳定的 PennyLane 0.45.1，本地示例使用小型合成系统；优化成功并不代表具备量子优势、分子精度或硬件保真度。
安装：建议创建独立环境，插件与编译器依赖单独解析。 uv venv --python 3.13 .venv-pennylane uv pip install --python .venv-pennylane/bin/python "pennylane==0.45.1" PennyLane 0.45 需要 NumPy 2+，核心安装包含 Lightning。机器学习场景使用经测试的 JAX 0.7.1/JAXlib 0.7.1 组合或 PyTorch，不要假定最新 JAX 受支持。
工作流：先固定问题约定（机器学习的特征顺序与标签编码、优化的哈密顿量符号、化学的单位/电荷/多重度/基组/活性空间/映射）；构建小型解析 default.qubit 电路，复用后端时把量子函数与 QNode 分离；训练前用解析或有限差分结果校验已知值与梯度，Autograd 用 pennylane.numpy 可训练数组，Torch/JAX 用框架原生张量；优化时记录目标值、梯度范数、随机种子、ansatz 形状与包版本，注意 step_and_cost 返回更新前的代价，最终报告需重新评估目标；独立验证（机器学习用留出样本与经典基线，VQE 用粒子数与合适扇区的经典参考，QAOA 用可枚举小实例）；再引入有限采样/噪声、报告不确定度、检查分解资源，最后选择当前可访问的硬件后端与执行预算。插件可移植性不保证门、测量或梯度完全一致。
限制与常见问题：采样/计数需要有限 shots，态需要支持的模拟器；用 qml.set_shots 设置 QNode 而非修改设备 shots；线路中测量值是符号性的，应使用 qml.cond 而非 Python if；0.45.1 的 qml.specs 返回 CircuitSpecs，访问 .resources；qml.qaoa.maxcut 产生负割大小，直接最小化；零/平坦梯度可能源于未使用参数、对称性、编码饱和、采样噪声或微分失败，不能单独诊断贫瘠高原；化学几何默认单位为 bohr，需显式声明单位。上游硬件、GPU、Catalyst 原生编译与外部化学后端仅为示意/源码核对，未执行认证作业。