机器学习全栈学习教练
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-ml。
技能介绍
它在解决什么问题
学机器学习全栈时,常见卡点不是缺资料,而是没有可执行的工程动作:PR 没人按同一套标准看;实验代码报错信息一堆却不知道怎么二分缩小范围;要不要上特征服务、训练流水线怎么拆,全凭直觉争论。本技能把通用工程方法论落到「机器学习全栈学习」语境里,用触发词路由到六类能力,直接产出清单、模板和分级结论,而不是泛泛科普。
技能如何工作
听到对应触发词即进入能力:
- 代码评审:输入
diff/PR,输出检查清单与问题分级(阻断 / 建议 / 可选)。 - 技术方案设计:输入需求与约束,输出含背景、目标、选型、风险的方案骨架。
- 调试排错:输入报错与上下文,输出定位树、复现步骤与修复验证路径。
- 架构权衡:输入场景与规模,输出利弊、适用条件与成本的选型表。
- API 设计:输入资源与操作,输出 RESTful 约定、字段契约与错误码建议。
- 工程规范:针对语言/框架输出实践清单与反模式提醒。
内置两条主工作流:代码评审(先意图与正确性,再安全与可维护性,最后分级结论)与线上排错(稳定复现 → 隔离变量 → 看日志链路指标 → 假设验证 → 修复回归复盘)。多诉求可组合使用。
适用边界
不提供专业资质判断,不接入付费或外部 API,也不处理真实密钥凭据(仅脱敏示例)。评审与方案输出供参考,合并与上线决策仍由负责人承担;不鼓励绕过安全机制或未授权访问。
使用场景
- 收到同学提交的模型训练脚本 PR,需要按正确性、边界与测试覆盖给出分级评审意见
- 线上推理服务告警,手头只有日志片段,需要整理复现步骤并列出要看的链路与指标
- 新课程项目要定特征管线与离线/在线职责,需要在约束下写选型对比而不是堆功能清单
- 实验 notebook 转仓库代码时,要统一 REST 接口命名、错误码与字段契约供前后端对齐
适合人员
- 自学 ML 全栈、每周要把 notebook 整理成可 review 的仓库提交的学习者
- 带小白做实验项目的技术助教,需要统一 PR 评审话术和阻断/建议分级
- 独立开发者维护单人训练与推理服务,报错时缺系统化排错清单
- 从 Web 后端转 ML 工程,写训练流水线方案时需要背景、选型与风险模板