用途：帮助用户按正确路径上手 MLflow。它先区分两类场景——GenAI 应用与智能体（LLM 应用、聊天机器人、RAG、工具调用智能体）和传统机器学习/深度学习（scikit-learn、PyTorch、TensorFlow、XGBoost 等），因为两条路径的教程与集成方式差异很大。
判定方式按顺序进行：先搜索代码库中的导入与用法信号，例如 GenAI 侧的 openai、anthropic、langchain、langgraph、litellm、mlflow.genai、mlflow.tracing 等，ML 侧的 sklearn、torch、tensorflow、xgboost、mlflow.sklearn 及 .fit() 训练循环等；再检查实验的 mlflow.experimentKind 标签（genai_development 或 custom_model_development，未设置则继续）；两者都不明确时必须直接询问用户，不要猜测。
主要能力：定位场景后推荐对应文档的 quickstart，如 GenAI 的 Tracing、Evaluation、Version Tracking，传统 ML 的 Tracking、Deep Learning、Hyperparameter Tuning；随后协助将 MLflow 集成进现有代码，且修改前需征得用户同意。
用法要点：GenAI 核心是追踪，可在应用启动处调用 mlflow.openai.autolog()、mlflow.anthropic.autolog()、mlflow.langchain.autolog() 等（需在任何 LLM 调用之前执行），用 mlflow.set_experiment() 配置实验，未支持自动追踪的函数用 @mlflow.trace 手动埋点；无 API Key 时可用 @mlflow.trace 与 mlflow.start_span() 构造模拟数据演示。传统 ML 核心是实验跟踪，可在训练前调用 mlflow.sklearn.autolog()、mlflow.pytorch.autolog() 等，不支持的框架改用 mlflow.log_param()、mlflow.log_metric()、mlflow.log_artifact() 手动记录。
验证：GenAI 用 mlflow traces search 查询追踪，ML 用 mlflow runs search 查询运行，确认有数据后再在 MLflow UI 中查看。
限制：需自行判断框架是否被自动追踪支持；资料未提供价格、平台支持范围或效果指标，暂未提供。