用途：构建并编排端到端机器学习流水线，覆盖数据摄取、预处理、训练、评估到部署，支持依赖管理、调度与监控。
主要能力：选择并安装编排框架（Prefect、Airflow、Kubeflow）；用 Prefect 或 Airflow 构建 DAG；配置任务依赖、重试逻辑、调度、并行执行与条件分支；集成 MLflow 实验记录、DVC 数据版本、Slack/邮件告警及 Prometheus/Grafana 监控；通过 CI/CD 自动化部署流水线。
使用方式：先安装框架，如 pip install prefect 或使用 Airflow 的 Docker Compose；再编写 Prefect flow 或 Airflow DAG，定义各阶段任务与依赖；随后部署并设置 Cron 调度；最后加入监控、告警与 CI/CD。
适用场景：自动化多步骤 ML 工作流、定期用新数据重训练模型、协调分布式数据处理与训练、管理失败恢复与重试、监控流水线执行。
限制与注意：需 Python 环境及编排库，Airflow 要求 Python ≥3.8；避免循环依赖、XCom 大小限制、时区混淆、缺少重试、非幂等任务、资源争用和版本冲突；长任务需设超时并监控内存。具体配置与完整实现见扩展示例，资料未提供收费与价格信息。