用途：用于模型服务与推理基础设施、AI/ML 与训练数据管道、基础设施层 AI 成本优化（缓存、批处理、路由）、AI/ML 系统性能与可靠性及漂移监控、平台级提供商/模型集成（多提供商路由、降级、限流）。应用层 LLM 功能（RAG、智能体、提示工程、结构化输出、评估、护栏）不属本技能。
主要能力：文档查询要求使用 Context7 MCP（先 resolve-library-id 再 query-docs），并用 WebSearch/WebFetch 获取最新实践、版本与 CVE；技术栈涵盖 Spring AI、多提供商、聊天补全、嵌入、函数调用、结构化输出、流式响应，以及 Google Gemini、OpenAI、Groq、Anthropic、本地 Ollama 等提供商；数据管道涉及事件流、数据转换、特征存储、训练数据导出与分析；监控包含 token 用量、延迟、成本归因、质量指标与错误率。
使用方式：涉及跨领域关注点时调用 backend-developer、devops-engineer、solution-architect 等技能；标准强调免费层优先、缓存、提示压缩、批处理、模型分层，以及多提供商、优雅降级、超时与限流处理、熔断；输出需校验并建立人工反馈、A/B 测试与回归测试。资料包含 Spring AI 配置、多提供商服务、结构化输出等代码模板，但正文不展开。
适用场景：生产 AI 系统的推理运维、模型部署、成本与可靠性治理、管道正确性与基准评估。
限制：基准与评估须先运行完整性门禁，失败应抛出并拒绝产出；默认路径须为确定性 mock，付费真实调用须显式开启并先打印成本估算；度量不得伪造或隐藏未达标结果，缺失外部输入应留空；推断统计应放在分析笔记本而非应用语言中。具体部署方式、价格与平台支持范围暂未提供。