用途
本技能用于设计并实现完整的机器学习流水线，定位为多智能体 MLOps 编排。当用户需要处理机器学习流水线、多智能体 MLOps 编排相关任务或工作流，或需要该领域的指导、最佳实践与检查清单时，可使用本技能。若任务与机器学习流水线、多智能体 MLOps 编排无关，或需要本范围之外的其它领域或工具，则不应使用。
主要能力
该工作流编排多个专业智能体，遵循现代 MLOps 最佳实践构建生产就绪的 ML 流水线，强调：
- 基于阶段的协调：每个阶段基于前一阶段的输出，智能体之间有清晰的交接。
- 现代工具集成：MLflow/W&B 用于实验，Feast/Tecton 用于特征，KServe/Seldon 用于服务。
- 生产优先思维：每个组件都面向规模、监控与可靠性设计。
- 可复现性：对数据、模型和基础设施进行版本控制。
- 持续改进：自动重训练、A/B 测试与漂移检测。
多智能体方式确保每个方面由领域专家处理：数据工程师负责摄取与质量；数据科学家设计特征与实验；ML 工程师实现训练流水线；MLOps 工程师负责生产部署；可观测性工程师确保监控。
使用方式
技能按四个阶段推进，每个阶段给出交付物与实现要求：
阶段一：数据与需求分析 交付物包括：数据源审计与摄取策略（源系统与连接模式、使用 Pydantic/Great Expectations 进行模式验证、使用 DVC 或 lakeFS 进行数据版本控制、增量加载与 CDC 策略）；数据质量框架（画像与统计生成、异常检测规则、数据血缘追踪、质量门与 SLA）；存储架构（原始/处理/特征分层、分区策略、保留策略、成本优化）。同时提供关键组件与集成模式的实现代码。
阶段二：模型开发与训练 交付物包括：特征工程流水线（转换规范、特征存储模式 Feast/Tecton、统计验证规则、缺失数据/异常值处理策略）；模型需求（算法选择理由、性能指标与基线、训练数据需求、评估标准与阈值）；实验设计（假设与成功指标、A/B 测试方法、样本量计算、偏差检测方法）。包含特征转换代码与统计验证逻辑。构建训练系统：模块化训练代码、超参数优化（Optuna/Ray Tune）、分布式训练（Horovod/PyTorch DDP）、交叉验证与集成策略；实验跟踪（MLflow/Weights & Biases 集成、指标记录与可视化、制品管理、实验比较工具）；模型注册（版本控制与标签策略、模型元数据与血缘、晋升工作流 dev->staging->prod、回滚流程）。同时关注代码质量与结构、性能优化、测试框架（数据转换单元测试、流水线组件集成测试、模型质量测试、性能回归测试）。
阶段三：生产部署与服务 实现要求包括：模型服务基础设施（FastAPI/TorchServe 的 REST/gRPC API、Airflow/Kubeflow 批量预测、Kafka/Kinesis 流处理、KServe/Seldon Core 服务平台）；部署策略（蓝绿部署、金丝雀发布与流量拆分、影子部署、A/B 测试基础设施）；CI/CD（GitHub Actions/GitLab CI 工作流、自动化测试门、部署前模型验证、ArgoCD 的 GitOps 部署）；基础设施即代码（Terraform 模块、Helm charts、Docker 多阶段构建、Vault/Secrets Manager 密钥管理）。Kubernetes 相关要求包括：工作负载编排（Kubeflow 训练任务调度、GPU 资源分配与共享、Spot/抢占式实例集成、优先级类与资源配额）；服务基础设施（HPA/VPA 自动扩缩、KEDA 事件驱动扩缩、Istio 服务网格、模型缓存与预热）；存储与数据访问（训练数据 PVC 策略、CSI 驱动模型制品存储、特征存储分布式存储、推理优化缓存层）。
阶段四：监控与持续改进 监控框架包括：模型性能监控（预测准确率追踪、延迟与吞吐指标、特征重要性变化、业务 KPI 关联）；数据与模型漂移检测（统计漂移检测 KS 检验、PSI、概念漂移监控、特征分布追踪、自动漂移告警与报告）；系统可观测性（Prometheus 指标、Grafana 仪表盘、Jaeger/Zipkin 分布式追踪、ELK/Loki 日志聚合）；告警与自动化（PagerDuty/Opsgenie 集成、自动重训练触发、性能退化工作流、事件响应手册）；成本追踪（资源利用率指标、按模型/实验分摊成本、优化建议、预算告警与控制）。
配置选项
- experiment_tracking: mlflow | wandb | neptune | clearml
- feature_store: feast | tecton | databricks | custom
- serving_platform: kserve | seldon | torchserve | triton
- orchestration: kubeflow | airflow | prefect | dagster
- cloud_provider: aws | azure | gcp | multi-cloud
- deployment_mode: realtime | batch | streaming | hybrid
- monitoring_stack: prometheus | datadog | newrelic | custom
适用场景
适用于需要端到端 ML 流水线设计、MLOps 最佳实践指导、检查清单，或需要多智能体协作完成数据、训练、部署、监控全流程的任务。成功标准涵盖数据流水线（生产数据质量问题 < 0.1%、自动数据验证 99.9% 通过、完整数据血缘、亚秒级特征服务延迟）、模型性能（达到或超过基线、重训练前性能退化 < 5%、统计显著的 A/B 测试、24 小时内检测到模型漂移）、运营卓越（模型服务 99.9% 可用性、p99 推理延迟 < 200ms、5 分钟内自动回滚、1 分钟内告警）、开发速度（提交到生产 < 1 小时、并行实验、可复现训练、自助模型部署）与成本效率（基础设施浪费 < 20%、优化资源分配、按负载自动扩缩、Spot 实例利用率 > 60%）。
限制
仅当任务明确匹配上述范围时使用本技能。不应将输出视为环境特定验证、测试或专家评审的替代。若缺少必需输入、权限、安全边界或成功标准，应停止并请求澄清。