用途：当仓库包含模型训练、推理、实验或数据科学工作流，或 ML 工作需要明确的流程、测试与负责任 AI 指引，或交付讨论混淆了产品、数据与模型关注点时，使用本技能。它不适用于没有 ML 或数据科学成分的通用软件交付，也不应在只处于单个阶段时加载全部 ML 参考资料。
主要能力：产出具体的项目增量，包括代码、文档、配置、测试、CI 或评审工件；通过明确的规划、验证与最终校验技能减少歧义；留下可复用的项目上下文。工作流要求区分产品假设、数据假设与模型假设，保持实验可追溯、可测试，将负责任 AI、数据质量与 ML 专项验证作为一等要求，并只加载与当前 ML 阶段匹配的参考资料。交付物包括更清晰的 ML/AI 交付指引、数据与实验及验证与负责任 AI 之间更好的衔接，以及与 ML 系统构建和验证方式一致的文档。校验要求当前 ML 阶段明确、实验与评估可追溯、负责任 AI 与数据质量要求不是最后才附加。
使用方式：先阅读最近的 AGENTS.md 确认范围与约束；通过 Ralph Loop 执行工作流直至结果可接受；返回规定的 Required Result Format，包含具体工件与验证证据。Ralph Loop 要求先头脑风暴（分析现状、定义问题/目标/约束/风险、生成选项并权衡、记录推荐方向与待解问题），再制定包含最终校验技能及其顺序与理由的详细执行计划，然后执行单步并产出增量，评审并记录可操作的后续修复，小批量应用修复并重跑相关检查，每次迭代更新计划，循环至结果可接受或只剩显式例外。若依赖缺失，则引导安装或返回 status: not_applicable 并说明原因与回退路径。
结果格式包含 status（complete | clean | improved | configured | not_applicable | blocked）、plan、actions_taken、validation_skills、verification、remaining。仅做设置的请求返回 status: configured 与确切的后续命令。参考资料方面，先阅读 references/ml-ai-projects.md；仅当相应阶段活跃时，打开 references/data-exploration.md、references/feasibility-studies.md、references/ml-fundamentals-checklist.md、references/model-experimentation.md、references/testing-data-science-and-mlops-code.md、references/responsible-ai.md 或 references/ml-model-checklist.md。输入为当前 ML 阶段（问题界定、数据探索、实验、训练、推理或运营）、产品/数据/模型假设以及当前验证与负责任 AI 期望。