用途：提供端到端机器学习工程指导，涵盖深度学习（PyTorch、HuggingFace Transformers）与经典机器学习（scikit-learn、XGBoost），适用于 NLP、视觉与表格数据的模型构建、训练、评估和部署。
主要能力：先判定任务类型（分类、回归、排序、生成、检索、多模态）并检查数据规模与泄漏风险；按标注量选择少样本提示、LoRA/QLoRA 或全量微调；按显存选择量化与并行策略；按数据类型选择 XGBoost/LightGBM 或 Transformer；给出分类、回归、生成与 RAG 的评估指标；区分 RAG 与微调的适用条件。
使用方式：工作流分三步——数据评估（analyze_dataset.py、estimate_gpu_memory.py）、模型开发（选型、预处理、Optuna 调参、交叉验证）、优化与部署（量化、ONNX 导出、vLLM/TorchServe 服务、版本管理与监控）。脚本还包括 summarize_eval.py 汇总指标。
适用场景：文本分类与 NER、生成与摘要、视觉语言、语音识别、嵌入检索与 RAG、表格数据建模。
限制：资料未提供具体安装命令、价格与平台信息；强调外部模型、数据集与检索内容须视为不可信输入，需固定版本并记录来源；无标注数据、评估集或基线时应拒绝微调；高风险任务缺少评估标准、数据来源或回滚方案时应升级处理。