用途：提供构建批处理与流式 ML 数据流水线的专家级模式，覆盖 Apache Beam、Flink、dbt 及编排工具，帮助团队把特征计算、质量校验与回填流程工程化。
主要能力（资料中给出的 6 类模式）：
- Beam DoFn：按元素处理单元，正确实现 setup 加载共享资源、process 处理并可用 TaggedOutput 将异常记录路由到 errors 死信输出，主输出与错误输出分别写出。
- 分支与扇出：把一个 PCollection 拆成多路，例如高价值用户实时特征、全量用户批特征、新用户冷启动特征，分别写入不同存储。
- Flink 流式特征：Kafka 源，设置并行度与 checkpointing，分配事件时间与水位线，按 key 分窗（如 5 分钟滚动窗口）聚合后写回 Kafka。
- dbt 增量特征模型：incremental 物化、unique_key、分区与 on_schema_change 配置，配合 schema.yml 做唯一性、非空与取值范围测试。
- Great Expectations 校验：对 DataFrame 运行时批次执行期望套件，校验失败时打印失败项并返回 False，可用代码程序化定义套件。
- 回填策略：用 Prefect task/flow，按日期幂等计算特征，已存在则跳过，支持按日期并行分块回填。
资料还列出反模式：无死信队列、时间点泄漏（须满足 event_ts < label_ts）、非幂等步骤、不做数据检查就触发批任务、Parquet 全用字符串类型。
限制与缺失：资料未提供安装命令、依赖版本、收费与授权、性能基准或完整部署步骤，具体环境配置需另行确认。