用途
该技能面向 AI 与机器学习开发，适用于构建从原型到生产环境的 AI/ML 系统，涵盖构建 ML 模型、训练流水线、微调 LLM 以及实现 AI 功能等场景。资料以代码示例和技术对比表为主，帮助开发者在具体框架、库和架构之间做出选择并落地实现。
主要能力
框架概览
资料对比了四类框架：PyTorch 适合研究与灵活性，生态包括 Hugging Face、Lightning；TensorFlow 适合生产与移动端，生态包括 TFX、TF Lite、TF.js；JAX 面向高性能与 TPU，生态包括 Flax、Optax；scikit-learn 用于经典机器学习，特点是简单、开箱即用。
模型训练
提供 PyTorch 的模型定义（如 ConvNet）与完整训练循环代码，包含优化器（AdamW）、损失函数、验证准确率计算。还提供 PyTorch Lightning 的写法（LightningModule、training_step、validation_step、configure_optimizers）以及 torchmetrics 的 Accuracy 用法。
微调与文本分类
给出 Hugging Face Transformers 的文本分类流程：加载 tokenizer 与模型、加载数据集、预处理、使用 Trainer 与 TrainingArguments 训练。并给出使用 PEFT 的 LoRA 微调 LLM 示例，包括 LoraConfig 参数（task_type、r、lora_alpha、lora_dropout、target_modules）以及 4bit 加载、device_map 设置、SFTTrainer 引用。
LLM 集成
包含 OpenAI API 的对话补全与函数调用（Function calling）示例、Anthropic Claude API 调用示例，以及 LangChain 的 prompt | llm | parser 链式写法。
向量数据库与 RAG
给出 Pinecone（托管云）与 ChromaDB（本地）的 upsert、query、add 代码。向量数据库对比表涵盖 pgvector（PostgreSQL 扩展）、Pinecone（托管云）、Chroma（本地/嵌入式）、Weaviate（自托管/云，多模态、GraphQL）、Qdrant（自托管/云，高性能、过滤），并附 pgvector 结合 SQLAlchemy 的相似度搜索示例。RAG 架构部分演示了文档切分、embedding 存储、MMR 检索、提示模板与检索链组合的完整代码。
MLOps
包括使用 MLflow 进行实验跟踪与模型注册（log_params、log_metrics、pytorch.log_model），以及用 FastAPI 提供模型推理服务（/predict 端点、Pydantic 请求模型）。
LLM 应用开发
提供提示工程模式（系统提示、少样本提示、推理任务提示）、结构化输出（Anthropic 的 messages.parse 与 OpenAI 的 chat.completions.parse）、工具调用与智能体循环（agentic loop，含工具结果回传）、Claude API 的流式输出与视觉（图像 base64 输入）用法、LangChain LCEL 与 LlamaIndex 文档问答。
使用方式
资料通过代码示例展示使用方式，涉及的主要依赖与接口包括：torch、torch.nn、torch.utils.data、pytorch_lightning、transformers、peft、trl、openai、anthropic、langchain、llama_index、chromadb、pinecone、mlflow、fastapi、pgvector 等。向量数据库需要相应 API Key（如 PINECONE_API_KEY）。文档未提供统一的安装命令或安装步骤。
适用场景
适合需要构建和训练深度学习模型、微调大语言模型的开发者；适合实现 LLM 集成功能（对话、函数调用、结构化输出、工具调用）的应用开发；适合搭建 RAG 问答系统的场景；适合需要模型实验跟踪、版本管理与在线服务的 MLOps 流程。
限制
资料仅提供代码示例与技术选型参考，未说明各框架或服务的具体收费与价格，未提供统一的安装命令，也未给出效果指标或性能承诺。部分接口名称与模型名（如 claude-sonnet-5-5、messages.parse、output_config effort 等）来自资料原文，实际使用时需以对应服务的最新文档为准。资料未涵盖完整的部署配置细节。