用途：为需要可复现实验并使用 AzureML 云端执行的 AI 项目提供经过验证的项目结构与工作流规范，让本地能运行的代码同样能在 AzureML 上运行，且不牺牲后续走向生产的能力。
主要能力与结构：以三层原则组织——代码层（纯 Python，不含平台依赖）、规格层（job YAML，声明代码在目标平台如何执行，与代码同目录）、编排层（Makefile、CI，触发执行）。一切皆包：每个包是 uv 工作区成员，拥有自己的 pyproject.toml、[build-system]、src 布局、源码、测试与依赖，结构统一。依赖显式声明，含通过 [tool.uv.sources] 引用其他工作区包，未声明导入会失败。同目录放置理解与运行所需的一切。同一命令、同一 lockfile 在笔记本、虚拟机或 AzureML 上结果一致；一个 Dockerfile 同时作为 devcontainer 与云端 runner，Python 依赖由 uv 运行时安装。提供精简 Makefile 作为唯一入口，含 make help 自文档。
初始化步骤：复制 assets/ 中的核心资产得到根 pyproject.toml（工作区声明、仅开发依赖）、Makefile、AGENTS.md、.devcontainer/ 与 .env；在 src/ 下创建首个包并据 mypkg 改名；从 .env 复制创建用户 .env.local 并替换占位符；由人工在 devcontainer 中重新打开；运行 make sync 生成并提交 uv.lock；再执行验证循环。
验证与用法：make sync 生成根 uv.lock；make run pkg=<package_name> 产生预期输出或文件；make test 全部通过，三者均需退出码为 0。云端执行保持独立步骤：先在包目录添加 aml-job.yaml 并与 main.py 的 command、inputs 对齐，确保 .env/.env.local 的 Azure 配置有效，填写 YAML 中计算目标与数据集等占位符，再运行 make aml pkg=<package_name>，并在 Azure ML Studio 确认作业完成、tags/metrics 可见、outputs/ 含预期产物。
限制与约定：作业之后的资产注册、模型部署、定期调度属于作业外的编排层，通常放在 CI 或运维脚本，绝不泄漏进 Python 代码或 job YAML。扩展（lint 与钩子、实验追踪、Pipelines、Datasets）只在需要时添加。选择 CLI v2 而非 Python SDK，以保持 YAML 声明式运行契约与代码平台无关。具体版本号、费用与官方链接等资料暂未提供。