model-ml-pipeline 是 skore-skills 中面向建模的确定性调度入口技能，只负责选择与排序，不重复子技能的方法论。
用途：作为建模流程的起点，先判定 setup 与问题框定是否完成，再决定后续走向：恢复已有实验、锁定基线、从 EDA 提案、从 Backlog 选取，或先进行讨论。
主要能力：
- 通过 python -m skore_skills status 检查 setup.pending、skills、data_analysis、modeling_decisions 等状态。
- 首个落地场景会写出锁定的基线设计笔记，并以固定三行选项请求批准：Approve、Modify、Stop。
- 使用 python -m skore_skills design consent --stem <stem>、design approve --stem <stem>、model choices、scaffold --journal --stem <NN_short>、evaluate consent、review consent 等命令推进各阶段。
- 设计笔记由 scaffold 生成，需填写 Question、Motivation、Method、Risks；状态生命周期为 planned → approved → running → done 或 abandoned。
- 批准后才进入 build-ml-pipeline，随后是 smoke run、evaluate、review 等阶段。
使用方式与限制：
- 必须先用 status 判断 setup.pending；若未完成且 setup-ml-project 已安装，则加载它并停止。
- 问题框定未锁定时加载 frame-ml-problem 并停止，不得自行编造表格或模型选择。
- 不得把 smoke-test-ml-pipeline 当作 evaluate 的兄弟技能加载；不得用裸 sklearn Pipeline 替代 skrub DataOps。
- 设计笔记缺失时只应提示运行 scaffold 命令；不允许凭记忆填写模板，也不允许在 shell 不存在时构建站点。
- 未获 design consent proceed 前，不得编写模型代码。
- 缺失的事实或子技能应一行跳过或说明，不得编造。
适用场景：需要以确定性、可审批、可审计方式组织机器学习建模实验的项目。
限制：具体命令、参数与输出以 CLI 为准；资料未提供收费、平台或性能等额外信息。