用途：这是一个 Ray 库参考技能，服务于自托管或 KubeRay 集群上的生产级经典机器学习工作负载，覆盖从分布式训练到在线服务部署的路径。版本固定为 ray 2.57.0（Python ≥ 3.10），API 结论依据解包后的 2.57.0 wheel 验证，示例在本地 Ray 2.57.0 运行时上实际运行过。
主要能力：包含 6 类共 26 条规则。Ray Train 类讲解 V2 默认语义、ray.train.report、配置导入与弹性伸缩、prepare_model/prepare_data_loader；Ray Serve 类涉及 max_ongoing_requests、自动扩缩字段、DeploymentResponse 句柄、run/build/deploy 生命周期与副本放置；Ray Data 类涉及 compute 策略、override_num_blocks、流式执行、torch 摄取与只读批次；Ray Core 类涉及重试默认值、对象存储与 /dev/shm 容量、ray.util.state；Ray Tune 类涉及 Tuner、RunConfig 导入与驱动函数写法；生产与集群类涉及 KubeRay CRD 选择、Jobs API 提交、Redis GCS 容错、镜像与运行时环境、监控指标接线。每条规则会点明它纠正的错误默认值，而非重复模型已掌握的内容。
使用方式：在对应决策出现时查阅相应参考文件，按其中的规范写法执行。仓库含分类定义、规则模板、自动生成的目录及元数据文件。
适用场景：编写或评审分布式训练代码、用 Ray Data 构建数据管道、运行超参搜索、编写或评审 Serve 部署、直接使用 Core 原语、搭建或评审生产 Ray 基础设施。
限制：范围限于经典机器学习，LLM 服务与批量推理属于同系列的 ray-llm 技能；具体收费与更多使用细节暂未提供。