用途：为特定机器学习问题（如推荐系统、欺诈检测、搜索排序、内容审核等）设计端到端 ML 系统架构。
主要能力：先澄清需求，包括预测目标、延迟要求（实时或批处理）、规模（QPS、数据量）以及预测消费方；再按问题类型加载相关技能，如 ml-system-design（核心 ML 架构）、llm-serving-patterns（LLM 系统）、rag-architecture（RAG 系统）、ml-inference-optimization（推理优化）、vector-databases（向量检索）；随后通过任务工具派遣 ml-systems-designer 子代理给出整体设计，并完成完整流水线设计：数据接入与处理、特征工程与特征存储、模型训练基础设施、模型服务与推理、监控与可观测性、A/B 测试与实验。还涉及训练-服务偏差预防、特征一致性、模型版本与回滚、成本优化等横切问题。
使用方式：命令形式为 /sd:ml-pipeline，后接问题描述，例如 /sd:ml-pipeline recommendation system for 100M users、/sd:ml-pipeline real-time fraud detection for payments、/sd:ml-pipeline ad click prediction at 1M QPS。
适用场景：推荐、欺诈与风控、搜索排序、NLP/LLM、计算机视觉、时间序列等类别，输出应包含高层架构、数据流、技术栈建议、权衡取舍、分阶段实施及成本与规模考量。
限制：资料未提供具体模型、价格、平台支持范围或性能保证，以上均为暂未提供。