用途：该技能面向端到端 MLOps 流水线编排，覆盖数据摄取、数据准备、模型训练、验证、部署与监控的完整生命周期，适合从零搭建 ML 流水线、设计工作流编排、实现数据到部署的自动化、建立可复现训练流程、创建基于 DAG 的编排，以及将 ML 组件集成进生产系统。
主要能力：流水线架构设计，包括端到端工作流设计、DAG 编排模式（Airflow、Dagster、Kubeflow）、组件依赖与数据流、错误处理与重试策略；数据准备，包括数据校验与质量检查、特征工程流水线、数据版本与血缘、训练/验证/测试切分策略；模型训练，包括训练任务编排、超参数管理、实验追踪集成、分布式训练模式；模型验证，包括验证框架与指标、A/B 测试基础设施、性能回退检测、模型对比流程；部署自动化，包括模型服务模式、金丝雀发布、蓝绿部署策略、回滚机制。
使用方式：技能提供 references/ 目录下的详细指南，含 data-preparation.md、model-training.md、model-validation.md、model-deployment.md；assets/ 目录提供 pipeline-dag.yaml.template、training-config.yaml、validation-checklist.md 等模板。基本设置可先定义流水线阶段（如 data_ingestion、data_validation、feature_engineering、model_training、model_validation、model_deployment），再配置阶段依赖。生产流程按数据准备、训练、验证、部署四阶段推进。文档还给出渐进式复杂度层级：线性流水线、增加验证与监控、超参数调优、A/B 测试与渐进发布、多模型集成。集成点覆盖 Airflow、Dagster、Kubeflow Pipelines、Prefect，实验追踪用 MLflow、Weights & Biases、TensorBoard，部署平台含 SageMaker、Vertex AI、Azure ML、Kubernetes + KServe。
限制：资料未给出具体安装命令、代码仓库地址、收费或价格信息，也未提供各工具的具体版本要求与许可说明；部分内容为通用模式描述，实际参数与配置需结合具体平台文档确认。