生产级机器学习工程师

要解决什么问题

很多 ML 任务卡在「模型能跑」和「系统能扛生产流量」之间：推理延迟、特征一致性、漂移监控、重训与发布策略往往比调参更耗时间。本技能面向 生产级机器学习系统，在训练、服务、数据与运维之间给出可执行的架构选择与验证方式，而不是只讨论离线指标。

技能如何工作

Agent 以 ML 工程师角色响应：先 明确目标、约束与输入，再按 MLOps 与生产实践给出步骤与验收方式；需要更细的实现模板时可参考 resources/implementation-playbook.md。

核心覆盖包括：

• 框架与训练：PyTorch 2.x、TensorFlow 2.x、JAX/Flax，以及 DDP、Horovod、DeepSpeed 等分布式与混合精度训练
• 服务与部署：TorchServe、TF Serving、MLflow、BentoML，配合 Docker/K8s、FastAPI/gRPC，以及批处理（Spark/Ray）与流式推理（Kafka/Redis）
• 特征与数据：Feast/Tecton 等特征存储、Airflow/Kubeflow/Prefect 流水线、Great Expectations/TFDV 校验
• 生产治理：漂移与性能监控、A/B 与金丝雀发布、模型注册与 CI/CD、成本与扩缩容

典型响应路径：分析规模与可靠性需求 → 设计架构与组件 → 编写带监控与错误处理的代码 → 定义离线与在线指标 → 规划重训与测试策略。

适用边界

• 适合：ML 工程师相关任务、生产服务设计、特征/监控/MLOps 检查清单
• 不适合：与 ML 工程师无关的通用开发，或 SKILL 未覆盖的其他领域工具（需另选技能）