用途：为构建与审计生产机器学习系统提供规则集，聚焦经典/预测型 ML（表格、排序、视觉、预测、推荐）的完整生命周期：训练流水线、特征存储、模型注册表、服务化与漂移监控。不涉及 LLM 应用工程（提示、RAG、智能体、LLM 评测），也不涉及数据管道/数仓。规则依据 Google Rules of ML、ML Test Score 与 Hidden Technical Debt in ML Systems，每条规则说明原因，每个规则文件末尾附审计清单。
主要能力：两种使用模式。BUILD 模式按规则作为默认实践构建系统，先建流水线、指标与监控，再迭代模型；保证数据、特征、代码、配置、模型、环境可复现且版本化；保证训练/服务一致性。AUDIT 模式按各规则文件的审计清单逐项核查训练流水线、特征/服务路径、注册表与监控，以 ML Test Score（数据/模型/基础设施/监控）为评分骨架，结论需对照代码与流水线配置而非架构图。
规则索引：01 系统架构（模型只是小部分、训练与服务路径、特征存储、模型注册表、可复现性、隐藏技术债反模式）；02 数据与特征（数据泄漏与标签泄漏、训练/服务偏斜、版本化、切分、PII 最小化）；03 训练与实验（实验追踪、可复现、超参搜索、分布式训练与检查点、配置管理）；04 评估与验证（离线指标与业务目标、基线、切片评估与公平性、验证门禁与回归阈值）；05 部署与服务（打包、批/在线/流式服务、注册表晋升、金丝雀/影子/A-B、回滚、延迟吞吐）；06 监控与漂移（数据漂移 PSI/KS、概念漂移、性能衰减、标签延迟、告警、重训触发）；07 安全与治理（数据投毒、模型抽取/反演/成员推断、对抗输入、供应链、MITRE ATLAS、NIST AI RMF、模型卡、EU AI Act）。
严重度：CRITICAL（生产静默错误或可被利用，如数据泄漏、预测路径训练/服务偏斜、反序列化不可信 pickle、无回滚）；HIGH（可能事故或不安全部署，如无漂移监控、无验证门禁、不可复现、无切片指标）；MEDIUM（正确性/可维护性隐患）；LOW（后期才显现的债）；INFO（风格/文档）。发现格式含严重度、路径行号或流水线阶段、规则引用、证据、影响、修复与工作量，按严重度分组，CRITICAL 优先，末尾给出各级计数、ML Test Score 就绪度摘要与三项最高杠杆修复。
限制：资料未提供具体安装命令、代码示例、收费或平台信息；规则为工程实践指导，不构成对具体系统效果的保证。