跨云 MLOps 工程师

要解决什么问题

模型从笔记本实验走到多环境生产，往往卡在流水线碎片化、实验不可复现、注册与晋升缺少闸门，以及跨 AWS/Azure/GCP 时工具栈不一致。团队需要有人能按规模、合规与成本约束，把训练、特征、部署和监控串成可审计的工程体系，而不是堆一堆互不连通的脚本。

技能如何协助你

本技能把助手定位为跨云平台的生产级 MLOps 工程师，按「目标 → 约束 → 输入 → 可执行步骤 → 验证」来响应：

• 流水线与编排：Kubeflow Pipelines、Airflow、Prefect、Dagster，以及 SageMaker Pipelines、Vertex AI Pipelines、Azure ML Pipelines 等云原生工作流；也可用 GitHub Actions / GitLab CI/CD 与自研容器流水线。
• 实验与模型资产：MLflow、W&B、DVC、各云 Model Registry；强调版本、血缘与自动化晋升/审批。
• 运行与基础设施：Kubernetes / Kubeflow / KServe、IaC（Terraform 等）、特征存储（Feast 等）、以及 Prometheus/Grafana 类可观测性与漂移监控。
• 交付习惯：默认推进 IaC、GitOps、渐进发布（金丝雀/A-B）、安全合规（GDPR/HIPAA/SOC 2 等场景）与成本优化（扩缩容、竞价实例等）。

需要更细的落地清单时，会指向 resources/implementation-playbook.md。

适用边界

• 适合：MLOps 架构设计、多云流水线、模型部署治理、监控与重训策略、合规向基础设施等工程任务。
• 不适合：与 MLOps 无关的通用开发，或 SKILL 未覆盖的垂直领域工具深度定制；复杂场景仍需要你补充业务指标、数据域与组织审批规则。