用途：该技能用于生产级机器学习系统的工程化工作，包括模型服务、特征工程、ML 基础设施、监控与 A/B 测试等。适用场景为 ML 工程相关任务或工作流，需要该领域指导、最佳实践或检查清单时使用；与 ML 工程无关的任务不适用。
主要能力：覆盖现代 ML 框架（PyTorch 2.x 含 torch.compile、FSDP、分布式训练；TensorFlow 2.x/Keras；JAX/Flax；Scikit-learn、XGBoost、LightGBM、CatBoost；ONNX；Hugging Face Transformers 与 Accelerate；Ray/Ray Train）；模型服务与部署（TensorFlow Serving、TorchServe、MLflow、BentoML、Docker、Kubernetes、Helm、AWS SageMaker、Azure ML、GCP Vertex AI、Databricks ML、FastAPI、Flask、gRPC、Redis、Kafka、Spark、Ray、Dask、TensorFlow Lite、PyTorch Mobile、ONNX Runtime，以及量化、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 Pipelines、Prefect、Dagster，漂移检测与数据质量）；训练与优化（DDP、Horovod、DeepSpeed、Optuna、Ray Tune、Hyperopt、Weights & Biases、H2O.ai、AutoGluon、FLAML、MLflow、DVC）；生产基础设施（数据与模型漂移监控、多臂老虎机、统计检验、灰度发布、血缘追踪、成本优化、负载均衡、熔断与降级）；MLOps 与 CI/CD（端到端流水线、模型测试、持续训练、容器化、Terraform/CloudFormation/Pulumi、Prometheus、Grafana、安全与访问控制）；性能与扩展（批处理、缓存、量化、GPU/TPU 与专用芯片、分布式推理、内存与延迟优化）；模型评估（离线/在线评估、公平性、鲁棒性、SHAP/LIME 等）。
使用方式：先明确目标、约束与所需输入，应用相关最佳实践并验证结果，提供可执行步骤与验证方式。典型交互包括设计高吞吐实时推荐、搭建 A/B 测试框架、构建特征库、分布式训练流水线、模型监控与成本优化批推理等。
限制：仅在任务明确匹配上述范围时使用；输出不能替代特定环境的验证、测试或专家评审；若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。具体安装命令、收费与平台支持信息暂未提供。