生产级机器学习工程学习路径(Made With ML)
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-production-ml-engineering-path。
技能介绍
你在什么情况下会卡住
走 Made With ML 或类似「训练—部署—监控」路径时,常见困境不是缺教程,而是缺可复用的工程动作:PR 里模型服务化、特征管道和数据契约怎么审;选型时在单机训练、批推理和在线服务之间如何写取舍;线上出现指标漂移或推理超时,如何用证据链而不是改参数碰运气。
本技能在「生产级机器学习工程学习路径」主题上,把通用工程能力落到 ML 场景:用触发词进入代码评审、技术方案设计、调试排错、架构权衡、API 设计、工程规范六类能力,输出检查清单、方案模板、定位树、选型表等结构化交付物。
技能如何工作
- 代码评审:输入
diff/PR,按正确性→安全→可维护性产出分级意见(阻断/建议/可选)。 - 技术方案:输入需求与约束,填充背景、目标、选型对比与风险回滚。
- 调试排错:从稳定复现、隔离变量、日志与指标证据到修复验证。
- 架构权衡:按场景与规模列出利弊、适用边界与成本,避免过早微服务或单体失控。
- API 与规范:RESTful 契约、错误码与反模式清单,对齐训练/推理接口与数据版本约定。
文档内还给出评审工作流、线上排错工作流,以及代码质量五维量表,用于团队对齐而非替代负责人合并决策。
边界与注意点
技能提供方法论与模板,不接入外部账号、不处理真实密钥,也不替代合规或资质判断。评审与方案仅供辅助;涉及敏感凭据时只给脱敏示例。若输出不够贴场景,在输入里补充人群、约束与规模即可让对应能力收窄到当前 ML 工程阶段。
使用场景
- 模型服务化 PR 需按数据契约、推理边界与测试覆盖做分级评审
- 编写训练到在线推理的技术方案,要对比批处理与实时链路的成本与风险
- 线上推理超时或指标异常,需按复现、隔离变量与日志证据做定位
- 在特征存储、模型 registry 与 API 版本间做架构选型并写利弊表
适合人员
- 负责 ML 平台或推理服务的后端,需在合并前用清单审管道与服务化改动
- 数据/ML 工程师要把实验管线写成可评审的方案并说明选型与回滚
- On-call 工程师面对训练作业失败或线上漂移,要结构化排错而非盲目重跑
- 技术负责人在小团队扩张时权衡单体训练脚本与拆分服务的架构成本