Agent Skills
返回列表
💻

机器学习工作流

开发编程 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @kunlungrowth/kunlun-machine-learning-workflow。

技能介绍

要解决什么问题

机器学习落地往往卡在「工程化」而不是算法本身:训练脚本 PR 没有统一评审口径;上线前的方案文档各写各的;推理服务一告警就凭直觉改配置;选型时在 notebook 实验栈和生产 Serving 之间来回横跳却拿不出对比依据。本技能把通用研发能力套在 机器学习工作流 场景上,用模板和检查清单代替口头经验,让交付物可直接贴进 Wiki 或 PR 评论。

技能如何工作

听到对应 触发词 会进入六项能力之一,也可组合使用:

  • 代码评审:输入 diff/PR,产出检查清单与 阻断 / 建议 / 可选 分级意见,先正确性与安全再谈风格。
  • 技术方案设计:输入需求与约束,产出含背景、目标、选型、风险的方案骨架。
  • 调试排错:输入报错与上下文,走「稳定复现 → 隔离变量 → 看证据 → 假设验证 → 修复回归」的定位树。
  • 架构权衡:输入场景与规模,产出候选方案的利弊、适用边界与成本表。
  • API 设计:围绕资源与操作给出 RESTful 约定、字段契约与可机读错误码。
  • 工程规范:按语言/框架给出清单与常见 反模式。

文档里还包含两套固定工作流(代码评审、线上排错)和五维代码质量量表,便于团队在 ML 流水线交接时对齐语言。

适用边界

技能 不 接入付费服务、不处理真实密钥凭证(仅脱敏示例),也不替代负责人对合并或上线的最终决策。输出是方法论与结构化草稿,你需要在输入里补充具体的人群、数据规模、部署约束,结果才会贴近你的仓库与集群。

使用场景

  • 训练或推理相关 PR 需要按阻断/建议/可选分级写评审意见,而不是只改格式
  • 线上模型服务告警,需要最小复现、查日志链路并输出修复与回归步骤
  • 在离线训练、批推理与在线 Serving 之间做架构选型,要一张利弊与成本对比表
  • 为模型管理或预测接口定 REST 契约,统一字段命名、错误码与版本兼容规则

适合人员

  • 维护 ML 训练/部署流水线的后端工程师,需要对 pipeline 改动做结构化 CR 而非随手 comment
  • 把实验代码产品化的算法工程师,要写可评审的技术方案并补齐测试与可维护性检查项
  • 小团队技术负责人,要为机器学习工作流统一方案模板、评审分级和交接文档语言
  • 负责训练任务失败或推理 SLA 的 SRE/DevOps,要用证据链排错而不是未复现就改集群配置