技能 machine-learning-ops-ml-pipeline
📦
machine-learning-ops-ml-pipeline
内容修订 r1 安全 ⚙️ 外部命令
构建生产级 ML 流水线
生产级 ML 系统需要协调一致的数据、训练、部署和监控计划。该技能会将这些工作组织成实用的 MLOps 阶段。
支持: Claude Codex Code(CC)
使用我的智能体安装
将此请求复制给你的智能体，其中包含权威 Skill 页面和清单。
智能体请求
Review the Skillstore skill "machine-learning-ops-ml-pipeline" from https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline.md and its manifest at https://skillstore.io/api/skills/sickn33-machine-learning-ops-ml-pipeline/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.你的智能体仍应展示其计划，并按安全策略请求必要确认。
Agent 可读资源
当 AI Agent、爬虫或脚本需要干净上下文，而不是读取完整页面时，请使用这些链接。
测试它
正在使用“machine-learning-ops-ml-pipeline”。 为使用批量训练和实时推理的欺诈检测设计一个 MLOps 流水线。
预期结果:
- 一个分阶段架构，覆盖数据摄取、质量检查、特征存储设计、模型训练、部署和监控。
- 针对实验跟踪、模型注册表、服务、编排和漂移检测的推荐工具。
- 针对延迟、正常运行时间、回滚、再训练和告警响应的运营标准。
正在使用“machine-learning-ops-ml-pipeline”。 改进一个没有模型监控或回滚流程的现有 ML 服务。
预期结果:
- 针对数据漂移、模型质量、延迟、吞吐量和业务影响的监控计划。
- 包含金丝雀发布、自动回滚和验证门禁的部署策略。
- 用于事故响应、再训练触发器和所有权交接的 runbook 大纲。
安全审计
安全v4 • 2026/7/7 打开版本化报告
The two static findings are false positives caused by Markdown backticks and a deployment option list. I found no prompt injection, exfiltration intent, or unsafe command execution in the reviewed SKILL.md content.
1
已扫描文件
315
分析行数
0
复核项
0
已忽略误报
风险因素
⚙️ 外部命令 (1)
最新一次完成的静态与语义审计未检测到已确认的安全发现。这并不能证明该 Skill 没有副作用。
审计者: codex 查看审计历史 →
分享与引用此报告
分享版本化评估报告、中性徽章、嵌入卡片和引用。Skillstore 只报告证据，不判断该 Skill 是否安全。
复制报告链接
https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-machine-learning-ops-ml-pipeline/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/sickn33-machine-learning-ops-ml-pipeline.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>学术引用 (APA · BibTeX · CFF)
APA 引用
sickn33. (2026). machine-learning-ops-ml-pipeline security audit report (audit version 4) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4BibTeX 引用
@techreport{sickn33-sickn33-machine-learning-ops-ml-pipeline-2026,
author = {sickn33},
title = {machine-learning-ops-ml-pipeline security audit report (audit version 4)},
institution = {Skillstore},
year = {2026},
number = {4},
url = {https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4},
note = {Author version unspecified}
}CITATION.cff
cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "machine-learning-ops-ml-pipeline security audit report (audit version 4)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-07"
url: "https://skillstore.io/skills/sickn33-machine-learning-ops-ml-pipeline/audits/4"
identifiers:
- type: other
value: "skillstore:sickn33-machine-learning-ops-ml-pipeline:audit:4"
description: "Skillstore immutable audit report identifier"
Skillstore 评分
评分依据 证据置信度: 高 55
架构
85
可维护性
87
内容
69
社区
83
规范符合性
你能构建什么
规划新的 MLOps 平台
创建覆盖数据摄取、训练、服务、监控和再训练的端到端蓝图。
标准化模型交付
将临时 notebook 转换为可重复执行的流水线，并加入实验跟踪、模型注册表和部署门禁。
提升生产可靠性
为现有模型服务工作流添加监控、漂移检测、回滚和成本控制。
试试这些提示
基础流水线计划
为流失预测模型设计一个生产级 ML 流水线。包括数据摄取、训练、部署、监控和成功标准。
工具选择
为实时推荐设计一个使用 AWS、MLflow、Feast、Kubernetes 和 Prometheus 的 MLOps 流水线。解释每个主要工具选择。
迁移路线图
创建一个迁移计划，将基于 notebook 的模型开发迁移到带有版本化数据、模型注册表、CI/CD 和监控的自动化流水线。
高级运营模型
设计一个多云 MLOps 运营模型，包含特征存储、金丝雀发布、漂移告警、再训练触发器、事故 runbook 和成本控制。
最佳实践
- 在使用该技能之前，提供具体的数据源、目标指标、延迟需求和部署约束。
- 与数据工程、平台、安全和模型负责人一起审查生成的架构。
- 在预发布环境中验证所有提议的基础设施、监控阈值和回滚步骤。
避免
- 当数据量、隐私规则或延迟目标未知时，不要使用通用默认值。
- 不要在没有测试、密钥审查和基础设施审查的情况下部署生成的流水线代码。
- 不要将模型准确率视为生产就绪的唯一成功指标。
常见问题
该技能会自动编写完整的 ML 流水线吗？
它提供结构化计划、实施指导和组件建议。团队仍需要实施并验证最终系统。
它涵盖哪些工具？
它涵盖常见的 MLOps 工具，例如 MLflow、Weights and Biases、Feast、KServe、Seldon、Kubeflow、Airflow 和 Prometheus。
它能支持特定云平台的设计吗？
可以。prompt 可以包含 AWS、Azure、GCP 或多云约束，以获得特定平台的建议。
这对早期原型有用吗？
可以。它可以创建从原型到生产的轻量级路径，同时识别哪些控制项可以延后。
它会处理监控和漂移检测吗？
可以。该工作流包含模型性能、数据漂移、概念漂移、告警、仪表板和再训练触发器。
Claude、Codex 和 Claude Code 可以使用该技能吗？
可以。报告标明支持 Claude、Codex 和 Claude Code。