用途：该技能用于构建生产级机器学习流水线，覆盖数据摄取→数据准备→模型训练→模型验证→模型部署→监控的完整生命周期，适合从零搭建 ML 流水线、设计工作流编排、实现数据到模型到部署的自动化、建立可复现训练流程以及基于 DAG 的 ML 编排。
主要能力：流水线架构设计（端到端工作流、DAG 编排模式如 Airflow、Dagster、Kubeflow，组件依赖与数据流、错误处理与重试）；数据准备（数据校验与质量检查、特征工程、数据版本与血缘、训练/验证/测试切分）；模型训练（训练任务编排、超参数管理、实验追踪集成、分布式训练）；模型验证（验证框架与指标、A/B 测试、性能回归检测、模型对比）；部署自动化（模型服务模式、金丝雀发布、蓝绿部署、回滚机制）。
使用方式：先明确目标、约束与所需输入，再按阶段定义流水线（如 data_ingestion、data_validation、feature_engineering、model_training、model_validation、model_deployment），配置依赖关系，并参考 assets/pipeline-dag.yaml.template 等模板。建议遵循模块化、幂等性、可观测性、版本化与失败重试等最佳实践，逐步从线性流水线扩展到验证监控、超参数调优、A/B 测试与多模型集成。
限制：本目录副本未包含 assets/pipeline-dag.yaml.template、references/data-preparation.md、references/model-training.md 等外部支撑文件，也未提供已验证的下载来源；依赖这些路径的步骤在文件就位前不可执行，也不得伪造缺失脚本。输出不能替代环境相关的验证、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。相关技能包括 experiment-tracking-setup、hyperparameter-tuning、model-deployment-patterns。