用途：执行端到端数据科学工作流，从问题界定到生产上线，涵盖机器学习建模、统计分析、实验设计与 MLOps。
主要能力：ML 建模生命周期（问题界定、数据准备、模型选择、训练、评估）；统计分析（假设检验、回归、ANOVA、贝叶斯方法）；A/B 测试（实验设计、样本量计算、统计功效、结果解读）；因果推断（倾向得分匹配、双重差分、工具变量）；特征工程（编码、缩放、选择、降维）；MLOps（模型部署、监控、漂移检测、重训练触发）。
使用方式：先识别需求属于建模、分析、实验还是 MLOps，再按对应工作流执行，产出结构化成果，如模型卡、实验报告、特征工程流水线或 MLOps 运行手册。例如：构建流失预测模型时执行 ML 建模流程，产出模型卡；设计 A/B 测试时执行实验设计流程，产出实验计划；监控模型漂移时执行 MLOps 流程，配置监控与重训练触发。
适用场景：ML 问题界定、基线、特征工程与模型评估；设计 A/B 测试、功效分析，或在无法实验时进行因果推断；模型生产化（批处理、实时、监控、重训练触发）；为特定问题与数据条件选择 ML、统计或 MLOps 工具。
限制：不适用于高管仪表盘、KPI 定义或 BI 叙事（改用 bi-analyst）；不适用于数仓维度建模或 ETL 幂等模式（改用 data-warehouse-engineer）；不适用于提示设计、LLM 智能体或受限 GenAI 功能（改用 prompt-engineer）；不适用于强化学习训练平台、rollout worker、分布式 PPO/SAC（改用 ml-systems-engineer-rl-engineering）；不涉及收入指标（ARR、NRR）或 ASC 606 会计。
工具参考：数据处理 pandas、Polars、SQL；特征工程 scikit-learn、Feature-engine、Tsfresh；建模 scikit-learn、XGBoost、LightGBM、PyTorch、TensorFlow；实验跟踪 MLflow、Weights & Biases、Neptune；超参调优 Optuna、Ray Tune、Hyperopt；因果推断 CausalML、DoWhy、EconML；可解释性 SHAP、LIME、ELI5；部署 FastAPI、BentoML、Seldon、SageMaker。
收费、价格与具体平台支持情况暂未提供。