用途：该技能面向生产级机器学习系统，用于在 ML 工程任务或工作流中提供指导、最佳实践与检查清单；若任务与该领域无关，则不适用。
主要能力：覆盖现代 ML 框架（PyTorch 2.x 的 torch.compile、FSDP、分布式训练；TensorFlow 2.x/Keras；JAX/Flax；Scikit-learn、XGBoost、LightGBM、CatBoost；ONNX；Hugging Face Transformers、Accelerate；Ray/Ray Train）。支持模型服务与部署（TensorFlow Serving、TorchServe、MLflow、BentoML；Docker/Kubernetes/Helm；AWS SageMaker、Azure ML、GCP Vertex AI、Databricks；FastAPI、Flask、gRPC；Redis、Kafka 实时推理；Spark、Ray、Dask 批量推理；TensorFlow Lite、PyTorch Mobile、ONNX Runtime 边缘部署；量化、剪枝、蒸馏）。特征工程与数据处理（Feast、Tecton 等特征库；Spark、Pandas、Polars、Dask；Great Expectations、TFDV；Airflow、Kubeflow、Prefect、Dagster）。训练与优化（DDP、Horovod、DeepSpeed；Optuna、Ray Tune、Hyperopt、W&B；MLflow、Neptune、ClearML；模型版本管理）。生产基础设施（漂移检测、A/B 测试、多臂老虎机、灰度发布、成本优化、缓存、熔断与降级）。MLOps 与 CI/CD、性能与可扩展性、模型评估与测试、专用应用（CV、NLP、推荐、时序、异常检测、强化学习、图 ML）、ML 数据管理。
使用方式：先澄清目标、约束与所需输入，再应用相关最佳实践并验证结果，输出可执行步骤与验证方法。
适用场景：如设计支持每秒 100K 预测的实时推荐系统、实现模型版本 A/B 测试框架、构建批流一体特征库、搭建分布式训练流水线与模型监控系统等。
限制：该技能仅在 ML 工程任务范围内适用；具体平台、收费、价格或效果暂未提供。