用途：为 AI/ML 项目提供从零到落地的流程性指导，把 AI 项目视为业务与技术的融合，而非纯技术项目。触发场景包括启动新 AI 项目、评估项目进度与风险、规划 AI 团队工作流程、向管理层汇报项目计划。
主要能力：将生命周期划分为六个阶段——明确业务目标（要解决什么业务问题、成功指标与范围）、数据收集与准备（获取、清洗、标注）、模型训练与验证（选算法、训练、验证集评估）、部署上线（接入生产环境与现有系统）、持续监控（模型性能、数据漂移与性能下降）、迭代优化（依据反馈与数据改进）。执行时先定义业务目标与成功指标，再评估数据可用性，制定含里程碑与时间估算的项目计划，组建覆盖业务分析、数据工程、ML 工程和 DevOps 的团队，以 MVP 快速验证再逐步完善，建立监控仪表板与告警，最后持续迭代。
适用场景：智能客服、制造业缺陷检测、金融风控等需要跨团队协作的项目；也用于项目诊断、工作流设计和行动计划制定。
限制：不适用于没有明确业务目标的纯研究探索、已有成熟流程的常规优化，以及数据隐私或合规不允许使用 AI 的场景。常见失败模式是跳过业务目标直接做技术、低估数据准备时间、部署后缺乏监控、过度追求模型复杂度。资料未提供具体安装命令或代码用法；各阶段常非线性推进，组织协作与期望管理可能比技术更难。