该技能用于在用户提到 AI 架构、MLOps、系统设计或 AI 基础设施时，提供专家级设计指导。
用途：设计 AI 系统、MLOps 架构、可扩展 ML 基础设施与 AI 平台工程。
主要能力：
- AI 系统架构：模型服务架构、实时与批量推理、特征存储、模型注册表、训练流水线、数据版本化。
- MLOps 基础设施：ML 的 CI/CD、模型监控与可观测性、A/B 测试框架、模型重训自动化、资源编排、成本优化。
- 可扩展性模式：分布式训练、模型并行、数据并行、推理优化、缓存策略、负载均衡。
- 平台组件示例：模型注册表（ModelRegistry，含注册、晋升阶段、获取生产模型）、特征存储（FeatureStore）、训练流水线（TrainingPipeline 及基于 DDP 的分布式实现）、模型服务（ModelServer，基于 FastAPI，含预测缓存与批量预测）、监控（ModelMonitor，含延迟指标与数据漂移检查）。
使用方式：作为技能被调用，围绕上述主题给出架构与实践建议；资料未提供具体安装命令。
适用场景：AI 平台与 MLOps 架构设计、模型服务与训练基础设施规划、生产监控与发布策略设计。
限制：资料仅给出概念、代码示例与最佳实践，未提供定价、平台支持范围、性能数据或完整实施步骤，暂未提供相关信息；反模式提醒包括无模型版本化或注册表、训练与服务环境不一致、缺少监控告警、手工部署、忽视数据漂移、无回滚策略、初期 MVP 过度设计。资源参考：MLflow、Kubeflow、Seldon Core、BentoML、Weights & Biases。