用途：该技能面向想进入数据工程、机器学习或 AI 工程方向的学习者与开发者，提供分角色的学习路径、技术栈与排错参考。
主要内容：一是三类角色路径——数据工程师（管道与基础设施，12-24 个月，从后端开发转入）、ML 工程师（模型与特征，12-24 个月，从数据科学转入）、AI 工程师（LLM 与智能体，6-12 个月，任何开发者可入），并给出各自分阶段学习模块与 2025 技术栈，如 Python + Spark + Airflow + dbt + Snowflake/BigQuery、Python + PyTorch + scikit-learn + MLflow + W&B、Python + LangChain/LlamaIndex + OpenAI/Anthropic + ChromaDB。二是工具矩阵，按数据规模与用途区分 Pandas、Polars、Spark、dbt，以及 scikit-learn、XGBoost、PyTorch、TensorFlow 等框架的适用场景与复杂度。三是算法参考，列出回归、分类、集成、聚类等经典算法与 CNN、RNN/LSTM、Transformer、扩散模型等深度学习架构用途。四是 AI 智能体部分，介绍 PERCEIVE→REASON→ACT→REFLECT 代理循环，以及提示链、路由、并行化、编排者-工作者、评估者-优化者等设计模式。五是排错与失败模式，覆盖模型性能、LLM 回答质量、数据漂移、管道延迟、RAG 检索、智能体死循环等问题的根因与恢复手段。六是作品集项目建议。
限制：资料未说明具体安装命令、收费方式、平台支持范围或实际效果数据，这些内容暂未提供；上述时长与周期仅为资料给出的学习参考，非承诺。