用途：为 Python AI/ML 后端、训练管道和推理服务提供 principal 级工程指导，适用于设计或重构训练与推理系统、评审 ML 代码中的数据泄漏与评估质量、构建特征管道/批量评分/实时服务，以及处理模型回归或数据漂移的故障响应。
主要能力：以优先级模型组织工作，从高到低依次为数据质量与泄漏、正确性与可复现性、可靠性与韧性、模型评估与安全、性能与成本、可观测性与监控、安全与隐私、可运维性与 MLOps。
关键规则：数据侧要求 lineage 追踪、严格 train/val/test 分离（必要时按时间切分）、特征定义版本化、每次摄入做 schema 与分布校验；可复现性要求数据/代码/模型版本固定、固定随机种子与确定性算子、单一超参数配置源、不可变模型产物与元数据；可靠性要求外部调用显式超时、有界重试加抖动、推理失败时回退到安全模型或规则、批量评分幂等；评估要求指标对齐产品目标、全量上线前做 shadow 或 canary、敏感领域做偏差检查、为决策阈值校准概率；性能成本要求批量推理、安全缓存特征与 embedding、分析训练与推理热点、设定成本上限；监控要求监测数据与概念漂移、P95/P99 延迟、模型质量与基于 SLO 的告警及 runbook；安全隐私要求最小权限、PII 脱敏或 token 化、密钥使用 vault/KMS 且不入代码或日志、遵守保留与删除政策；MLOps 要求带 lineage 与审批的模型注册表、canary/蓝绿/shadow 发布、快速回滚、数据与训练与服务的自动化测试。
使用方式：按执行流程推进——定义产品目标、指标与安全约束；校验数据源并防止泄漏；定义特征与版本化管道；用可复现配置训练并跟踪产物；离线评估后经 shadow 或 canary 在线验证；部署并监控漂移、延迟与质量；建立回滚与再训练触发条件。语言相关默认栈、MLOps 模式与工具见 references/python-ml-core.md。
限制：资料未提供具体安装命令、代码示例、收费或价格信息，相关细节暂未提供。