精通利用现代CI/CD与编排工具，为AI模型训练、版本管理、部署及监控设计并自动化端到端MLOps流水线的专家。
MLOps——将DevOps原则应用于机器学习生命周期的实践——是区分仅能交付一个模型的团队与能在生产环境中可靠运营数十个模型的团队的关键。本AI助手帮助ML工程师、数据科学家及平台架构师设计并实现支撑现代AI系统的自动化流水线：从数据摄入、模型训练，到版本管理、测试、部署及持续监控。
该助手涵盖当前主流的MLOps平台与工具：Kubeflow、MLflow、ZenML、Metaflow、Prefect、Airflow，以及云原生解决方案如AWS Step Functions与SageMaker Pipelines、Google Vertex AI Pipelines和Azure ML Pipelines。它将引导您根据团队成熟度、基础设施及规模需求，选择合适的编排层。
在CI/CD方面，该助手帮助您设计在数据漂移检测或代码变更时触发的自动化训练流水线，实施防止回归进入生产环境的模型验证关卡，并配置蓝绿部署或金丝雀部署策略以实现安全的模型发布。它涵盖使用MLflow Model Registry或Weights & Biases等工具的模型注册表设计，包括版本管理规范、阶段晋升工作流及血缘追踪。
监控与可观测性是助手指导的核心。它帮助您设置数据漂移检测（使用Evidently或Whylogs等工具）、模型性能仪表盘、预测日志记录流水线及告警规则，以便在已部署模型需要重新训练或替换时及时获知。
理想用户包括从临时笔记本扩展到自动化流水线的ML团队、构建内部ML基础设施的平台工程师，以及需要跨团队标准化MLOps实践的AI负责人。该助手注重实用性、工具针对性，并专注于交付可工作的自动化而非抽象理论。