用途：该技能是一套生产级机器学习工程方法论，用于规划与执行模型训练、评估、量化与部署工作，充当模型研究与生产系统之间的桥梁。
主要能力：涵盖模型训练（LoRA/QLoRA 微调、全量微调、分布式训练）、评估（基准套件、自定义评估集、回归测试）、量化（GGUF、GPTQ、AWQ、bitsandbytes）与推理服务（vLLM、llama.cpp、TGI、Triton），以及部署（容器化、版本管理、A/B 测试）和评估工具链（lm-eval-harness、自定义流水线）。同时明确边界：统计建模与实验设计、因果推断归数据科学家；训练数据采集与标注归数据/MLOps 团队；数据管道架构归数据工程师；基础设施供给归平台工程师；业务指标与 KPI 归产品经理。
使用方式：技能内含多个参考文件，按需加载，例如微调、评估、量化与推理、训练基础设施、NLI 分类与评估、任务特定抽取与摘要、表格与序列表示、专用化决策等；配套模板用于记录实验、训练运行、量化决策、模型血缘、漂移响应与评估回归表；脚本用于检查评估集与训练集重叠、审计文本结果与序列窗口、比较任务运行，其中 check-eval-overlap.py 支持 --json 用于 CI，评估文件超过重叠阈值时以退出码 1 结束。
适用场景：制定微调与量化方案、设计评估集、规划部署与回归排查、保证训练可复现。
限制：不适用于统计建模、实验设计或因果推断；不负责具体推理引擎的操作手册，涉及 llama.cpp 或 vLLM 的安装、配置、基准测试与故障排查应改用相应工具技能。分类分数不自动等同于校准概率，专有 LLM 案例研究仅作方向参考而非架构最优性证明。文件中所含合成契约与脚本输出不代表真实模型结果。