用途：把从数据源到预测器的机器学习流程声明为 skrub DataOps 图，产出未拟合的 build_learner、Method 单元格与流程快照，随后运行 smoke。它不训练模型，也不做全量数据评估。
主要能力与规则：以 skrub.var(...) 为图根，而非裸 sklearn.Pipeline；skrub.X / skrub.y 不能作为根。无状态步骤用 .skb.apply_func，有状态步骤（均值、中位数、分位数、词表、目标编码、TF-IDF 等）用 .skb.apply。尽早用 .skb.mark_as_X() 标记 X，特征化放在标记之后；存在跨行步骤（滞后、滚动、分组聚合、侧连接）时标记须位于该步骤上游。切分器与评分在声明图之后附加，再调用 .skb.make_learner()。
使用方式：先运行 python -m skore_skills status，再执行 python -m skore_skills design consent --stem <stem> 与 python -m skore_skills frame show。每个新符号用 python -m skore_skills api get 确认，编辑后用 python -m skore_skills style。探针脚本放入 scratch/，不使用内联 python -c。smoke 用 python -m skore_skills smoke run --stem <stem>。
适用场景：需要按 skrub DataOps 方式声明可复现 ML 流程、并保持与锁定部署一致切分（date_time、GroupKFold、KFold、prefit、holdout）的项目。
限制：不写 skore.evaluate，不调用 train_test_split，不在此调参或持久化；目标编码不得用 apply_func 实现；符号不得凭记忆使用；设置未完成、建模决策未锁定或缺少依赖时应停止并转交相应技能。资料未提供具体收费、平台与效果信息。