用途：该技能用于管理 AI 模型的数据保留与机器遗忘需求，应对 GDPR 第 5(1)(e) 条存储限制——个人数据不得超出处理目的所需期限保存。核心难点在于：训练数据删除后，模型参数仍可能编码其信息，因此需要机器遗忘来消除特定数据对模型的影响。
主要能力：提供保留策略框架，按数据类别区分处理，包括原始训练数据、处理后训练数据、验证/测试数据、模型权重、推理日志、模型元数据与嵌入向量。给出训练数据保留决策树：是否仍需重训、是否需用于验证审计、是否需支持数据主体权利行使、是否有法律保留义务，均否则删除，并在删除后评估模型残留编码。还给出模型生命周期各阶段（开发、部署、运行、重训、退役）的保留规则。
机器遗忘技术：精确遗忘（完全重训，保证彻底但成本极高）、SISA 分片训练（仅重训受影响分片，成本约 1/k，需从一开始采用该架构）、近似遗忘（基于梯度的遗忘、基于影响函数的遗忘，成本较低但需验证）。验证方法包括成员推断测试、输出对比、金丝雀测试与统计对比。
模型版本管理：记录模型版本 ID、训练数据快照哈希、训练日期、已应用的数据删除、已应用的遗忘、隐私属性（DP epsilon、MI 测试结果）与部署/退役日期；并列出重训触发条件，如删除请求累积超阈值、定期重训、审计发现泄漏、性能下降或法规变化。
适用场景与限制：适用于需要证明删除能力、处理删除权请求、开展 DPIA 与模型隐私审计的合规团队。资料未提供具体安装命令、代码示例、收费信息或平台支持细节；近似遗忘仅提供统计近似保证，需验证，精确遗忘对大型模型或高频删除请求不实用。