用途：该技能用于从零构建生产级机器学习流水线，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，适合设计 ML 工作流编排、实现数据到部署的自动化、搭建可复现训练流程以及创建基于 DAG 的 ML 编排。
主要能力：提供流水线架构设计（DAG 编排模式，如 Airflow、Dagster、Kubeflow）、组件依赖与数据流、错误处理与重试策略；数据准备方面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；训练方面包括训练任务编排、超参数管理、实验跟踪集成、分布式训练模式；验证方面包括验证框架与指标、A/B 测试基础设施、性能回归检测、模型对比；部署方面包括模型服务模式、金丝雀发布、蓝绿部署与回滚机制。
使用方式：技能包含 references/ 目录（data-preparation.md、model-training.md、model-validation.md、model-deployment.md）与 assets/ 目录（pipeline-dag.yaml.template、training-config.yaml、validation-checklist.md）。基本流程为定义流水线阶段（data_ingestion、data_validation、feature_engineering、model_training、model_validation、model_deployment），再配置依赖关系，可参考 assets/pipeline-dag.yaml.template。生产流程按数据准备、训练、验证、部署四个阶段推进。
适用场景：新建 ML 流水线、设计 ML 系统工作流编排、实现数据到模型到部署的自动化、搭建可复现训练流程、创建 DAG 编排、将 ML 组件集成到生产系统。
限制：资料未提供具体收费、价格、平台支持范围或效果数据；实际集成工具（Airflow、Dagster、Kubeflow、MLflow、Weights & Biases、SageMaker、Vertex AI、Azure ML、KServe 等）需用户自行配置，技能本身不包含这些工具的安装或运行环境。