用途：面向“机器学习流水线—多智能体 MLOps 编排”任务，提供设计并实现完整 ML 流水线的指导、最佳实践与检查清单。触发方式为“Design and implement a complete ML pipeline for: $ARGUMENTS”。
主要能力：按阶段协调多个专业智能体。阶段一为数据与需求分析，涉及数据源审计与接入策略、Pydantic/Great Expectations 模式校验、DVC 或 lakeFS 数据版本化、增量加载与 CDC、数据质量框架、存储分层与成本优化。阶段二为模型开发与训练，涉及特征工程与特征存储（Feast/Tecton）、算法选择与评估标准、实验设计、超参优化（Optuna/Ray Tune）、分布式训练（Horovod/PyTorch DDP）、实验跟踪（MLflow/W&B）、模型注册与晋级回滚、测试框架。阶段三为生产部署与服务，涉及 FastAPI/TorchServe 服务、批处理与流处理、KServe/Seldon Core、蓝绿/金丝雀/影子部署、CI/CD、Terraform/Helm/Docker、Kubernetes 资源编排与自动扩缩。阶段四为监控与持续改进，涉及模型性能监控、数据与概念漂移检测、Prometheus/Grafana/Jaeger/ELK 可观测性、告警与自动重训、成本跟踪。
使用方式：先明确目标、约束与所需输入，再按阶段应用最佳实践并验证结果，输出可执行步骤与验证方法。配置选项包括 experiment_tracking、feature_store、serving_platform、orchestration、cloud_provider、deployment_mode、monitoring_stack。
适用场景：需要端到端 MLOps 流水线设计、生产化部署、监控与持续改进的机器学习工程任务。
限制：不适用于与 ML 流水线—多智能体 MLOps 编排无关的任务，或超出该范围的其他领域与工具。资料未提供具体收费、价格、平台支持细节与效果保证，相关事实暂未提供。