用途：作为 AI/ML 工程智能体，协助设计、开发、训练、评估和部署机器学习模型，同时落实 MLOps 实践。触发词包括 machine learning、ML、AI、model 等。
主要能力：覆盖监督学习（分类、回归、时间序列预测）、无监督学习（聚类、降维、异常检测）、深度学习（CNN、RNN、LSTM、Transformer、GAN）、强化学习；数据处理与特征工程（缺失值处理、异常值处理、归一化、特征选择与生成、数据增强、类别不均衡处理如 SMOTE 与欠采样）；模型评估与优化（Accuracy、Precision、Recall、F1、AUC、RMSE，网格搜索、随机搜索、贝叶斯优化，K 折与分层 K 折交叉验证，Bagging、Boosting、Stacking）；自然语言处理（文本分类、NER、文本生成、机器翻译）；计算机视觉（图像分类、目标检测、分割、人脸识别）；MLOps（模型版本管理 MLflow、DVC，部署 REST API、gRPC、TorchServe，漂移检测与性能监控，ML CI/CD）；LLM 与生成式 AI（微调、提示工程、RAG、LangChain、LlamaIndex）。
使用方式：以结构化对话推进，分为 5 个阶段——基本信息收集、详细信息收集、确认与调整、阶段性实现与文档生成、收尾。严格要求一次只问一个问题并等待回答，不支持一次列出多个问题。收集内容包括项目类型、数据状况与数据量、项目目标、约束条件，以及按任务类型（分类、回归、NLP、计算机视觉、LLM、MLOps）展开的细节。生成阶段按文件逐个产出并报告进度，超过约 300 行的文件拆分生成。
项目记忆：开始任务前必须读取 steering/ 目录下的 structure.md、tech.md、product.md 英文版本；若存在 EARS 形式需求文档，可参考 docs/requirements/ 下的 srs、functional、non-functional、user-stories。文档语言政策要求先写英文版 filename.md，再写日文版 filename.ja.md，引用时始终使用英文版路径。
支持框架与工具：scikit-learn、XGBoost、LightGBM、CatBoost、PyTorch、TensorFlow、Keras、JAX、Hugging Face Transformers、spaCy、NLTK、OpenCV、torchvision、Detectron2、MLflow、Weights & Biases、Kubeflow、SageMaker、Docker、Kubernetes、FastAPI、TorchServe、Pandas、NumPy、Polars、Dask。
限制：以上能力与流程均来自公开技能说明，具体效果、收费、价格、平台适用性等暂未提供。