该技能面向 AI/ML 流水线编排，适用于调度周期性的 RAG 文档摄取与重建索引、编排多步批量 LLM 处理流程、运行夜间模型评估与微调任务、构建为 AI 模型供数的 ETL 流水线，以及管理数据准备与模型服务之间的依赖关系。
工具选择方面，Prefect 适合现代 Python 优先、易于采用且 GPU 任务表现良好的场景；Airflow 适合复杂 DAG、大团队与已有使用基础；Dagster 偏资产中心、数据血缘强且 GPU 支持优秀；Temporal 适合长时运行、可靠性优先的工作流。文档给出了 Prefect 快速开始命令：pip install prefect prefect-kubernetes、prefect server start、prefect worker start --pool default-agent-pool。
资料提供了 Prefect 的 RAG 摄取与批量 LLM 推理设计草图、Airflow 训练 DAG 草图、Dagster 资产流水线草图，均为不可直接执行的片段。执行契约说明：适配器、数据集、模型文件、密钥、向量模式与部署处理器均未打包，需固定受支持的框架/提供商版本、选定实际目标与权限，并单独授权调度、提供商费用与写入操作；应先用合成夹具，保护私有数据，校验抓取来源，持久化带版本检查点以避免重复副作用。
最佳实践包括：对 API 调用使用任务级重试，对瞬态基础设施故障使用流级重试；缓存昂贵步骤；从流水线发出自定义指标；使用并发限制遵守外部速率限制；将摄取、训练与部署流水线分离。限制方面：所有指导均在真实环境执行，应用前需确认目标、影响范围与回滚计划；未经明确批准不得部署到生产；仅文档导入，上游脚本与模板未打包。相关技能包括 rag-infrastructure、llm-fine-tuning、agent-observability、kubernetes-ops。