用途：帮助用户根据自身场景快速上手 MLflow。MLflow 支持两类差异较大的使用场景：GenAI 应用与智能体（LLM 应用、聊天机器人、RAG、工具调用智能体，主要用 tracing 可观测、LLM 评测与提示词管理）；传统机器学习/深度学习（scikit-learn、PyTorch、TensorFlow、XGBoost 等，主要用实验跟踪、模型记录与部署）。
主要能力与流程：
- 判定场景。优先检查代码库导入与用法（如 openai、langchain、mlflow.genai、mlflow.tracing 指向 GenAI；sklearn、torch、mlflow.sklearn 等指向 ML）；也可查实验的 mlflow.experimentKind 标签（genai_development / custom_model_development）；若无法判断，须直接询问用户，不要猜测。
- 推荐教程。GenAI 路径提供 Tracing、Evaluation、Version Tracking 快速入门；传统 ML 路径提供 Tracking、深度学习、超参数调优教程。
- 集成到项目。集成前须征得用户同意。GenAI 核心是 tracing，可用 mlflow.openai.autolog()、mlflow.anthropic.autolog()、mlflow.langchain.autolog()、mlflow.litellm.autolog()，未支持时用 @mlflow.trace 手动埋点；无明显 API 密钥时可用 mock 数据演示。传统 ML 核心是实验跟踪，可用 mlflow.sklearn.autolog()、mlflow.pytorch.autolog()、mlflow.tensorflow.autolog() 等，未支持时用 mlflow.log_param()、mlflow.log_metric()、mlflow.log_artifact() 手动记录。两者均可用 mlflow.set_experiment() 或环境变量 MLFLOW_EXPERIMENT_NAME 配置实验。
- 验证：GenAI 用 mlflow traces search 检查 trace，ML 用 mlflow runs search 检查 run，再在 MLflow UI 查看。
适用场景：需要把 MLflow 接入既有代码库、或不确定该走哪条上手路径的用户。限制：必须按代码与实验信号判定场景，模糊时须询问用户；改动代码前须获得同意；文档中未提供的功能、收费、平台与效果信息暂未提供。