用途：当平台需要安全支持模型训练与推理时使用本技能，帮助智能体设计面向机器学习数据产品的特征生成、时点正确性、服务一致性和运维契约。
主要能力与工作流：
- 定义特征契约，包括实体键、特征含义、更新频率、在线或离线用途、新鲜度预期。
- 保护时点正确性，训练数据只能包含预测时点可获得的信息。
- 对齐离线与在线逻辑，尽可能复用定义与验证，防止训练服务漂移。
- 定义特征生命周期与归属，明确生产者、消费者、弃用路径和质量监控。
- 验证运维行为，避免过期或缺失特征静默传播导致模型失效。
适用场景：构建训练数据集、设计特征库或可复用特征、支持在线与离线特征访问、防止泄漏和训练服务不匹配、发布模型就绪的数据产品。
限制与注意：不应把特征管道当作改了名字的普通数据集市，ML 管道有不同的正确性风险。常见误区包括用最新值训练会引入泄漏并高估模型性能、在线一致性不只是模型团队的问题、特征内部使用也需要契约。危险信号包括未定义时点逻辑、离线在线定义分歧、未监控过期特征、特征归属不清。验证要点：特征含义、键和新鲜度已文档化；时点正确性受保护；离线在线一致性预期明确；存在对过期、缺失或漂移特征的监控。