📦
content-creator
88创建品牌一致的营销内容
营销团队需要在各个渠道保持一致的内容。此技能可帮助规划、撰写、分析和优化内容，使其符合品牌语调和 SEO 要求。
写作与内容 查看
技能 ml-pipeline-workflow
📦
ml-pipeline-workflow
内容修订 r2 安全 ⚙️ 外部命令
构建可靠的 ML 管道工作流
ML 团队需要可复现的工作流，将数据准备、训练、验证、部署和监控连接起来。此技能指导 Claude、Codex 和 Claude Code 做出实用的 MLOps 管道设计与 rollout 决策。
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 "ml-pipeline-workflow" from https://skillstore.io/skills/sickn33-ml-pipeline-workflow.md and its manifest at https://skillstore.io/api/skills/sickn33-ml-pipeline-workflow/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“ml-pipeline-workflow”。 为流失预测模型创建 ML 管道的第一个版本。
预期结果:
- 一个分阶段工作流，涵盖摄取、验证、特征工程、训练、评估、部署和监控。
- 一个依赖关系图，将数据就绪、模型审批和服务 rollout 任务分离开来。
- 一份关于日志、指标、所有权和回滚就绪情况的简短检查清单。
正在使用“ml-pipeline-workflow”。 帮助判断我们的团队应使用 Airflow 还是 Kubeflow Pipelines。
预期结果:
- 基于基础设施、Kubernetes 使用情况、ML 工件跟踪、团队技能和运维支持的比较。
- 一份包含权衡和迁移考虑因素的建议。
- 在承诺使用该编排平台之前需要确认的问题。
正在使用“ml-pipeline-workflow”。 在发布前审查我们的模型部署计划。
预期结果:
- 一份就绪审查，涵盖基线指标、canary rollout、监控、告警和回滚触发器。
- 一份可能延迟或阻塞发布的缺失控制项列表。
- 关于生产验证和发布后监控的建议下一步。
安全审计
安全v5 • 2026/8/4 打开版本化报告
All ten static findings are false positives caused by Markdown inline code markers and fenced code blocks. The reviewed content contains guidance and declarative examples, not shell execution.
1
已扫描文件
266
分析行数
0
复核项
0
已忽略误报
风险因素
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-ml-pipeline-workflow/audits/5?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown 徽章
[](https://skillstore.io/skills/sickn33-ml-pipeline-workflow?utm_source=security_passport_badge)HTML 徽章
<a href="https://skillstore.io/skills/sickn33-ml-pipeline-workflow?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-ml-pipeline-workflow/security.svg" alt="Skillstore security assessment" loading="lazy"></a>嵌入卡片
<iframe src="https://skillstore.io/embed/skills/sickn33-ml-pipeline-workflow.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). ml-pipeline-workflow security audit report (audit version 5) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-ml-pipeline-workflow/audits/5BibTeX 引用
@techreport{sickn33-sickn33-ml-pipeline-workflow-2026,
author = {sickn33},
title = {ml-pipeline-workflow security audit report (audit version 5)},
institution = {Skillstore},
year = {2026},
number = {5},
url = {https://skillstore.io/skills/sickn33-ml-pipeline-workflow/audits/5},
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: "ml-pipeline-workflow security audit report (audit version 5)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-08-04"
url: "https://skillstore.io/skills/sickn33-ml-pipeline-workflow/audits/5"
identifiers:
- type: other
value: "skillstore:sickn33-ml-pipeline-workflow:audit:5"
description: "Skillstore immutable audit report identifier"
比较变体
2 个可安装变体每位作者的技能都保持为独立的可安装项。推荐变体按 Skillstore 证据排序。
为什么此变体排名第一
Skillstore 评分最高
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
规划新的训练管道
在实施开始前，梳理所需阶段、依赖关系、验证关卡和所有权模型。
标准化 MLOps 实践
为数据版本控制、实验跟踪、部署 rollout 和生产监控创建团队指导。
审查生产就绪情况
检查模型工作流是否包含测试、回滚路径、可观测性和性能回归控制。
试试这些提示
概述基础管道
使用此技能为我的项目概述一个基础 ML 管道。包括数据准备、训练、验证、部署和监控阶段。
选择编排器
使用此技能为我们的 ML 工作流比较 Airflow、Dagster、Kubeflow Pipelines 和 Prefect。根据我们的约束推荐一个选项。
设计验证关卡
使用此技能为生产模型设计验证关卡。涵盖数据检查、模型指标、基线比较和审批标准。
审查高级 MLOps 工作流
使用此技能审查我们的端到端 MLOps 工作流。识别编排、实验跟踪、canary 部署、回滚和漂移监控方面的缺口。
最佳实践
- 在选择工具之前，定义阶段输入、输出、所有权和失败行为。
- 为每次训练运行对数据、代码、模型工件和配置进行版本控制。
- 在将新模型服务于全部流量之前，使用验证关卡和渐进式 rollout 策略。
避免
- 在没有基线比较、监控或回滚标准的情况下部署模型。
- 将训练、验证和服务化关注点混在一个不可测试的工作流步骤中。
- 把编排当作数据质量检查和实验跟踪的替代品。
常见问题
此技能会生成生产就绪代码吗？
不会。它为 ML 管道实施提供架构指导、工作流模式和审查检查清单。
它会讨论哪些编排工具？
它涵盖 Airflow、Dagster、Kubeflow Pipelines 和 Prefect 这些常见编排选项。
它能帮助进行数据验证吗？
可以。它包括关于数据质量检查、特征工程、版本控制和血缘跟踪的指导。
它涵盖模型部署吗？
可以。它讨论服务模式、canary 发布、blue-green 部署、回滚和监控。
谁应该使用此技能？
ML 工程师、平台工程师和数据科学负责人可以使用它来规划和审查 MLOps 工作流。
它需要特定的云提供商吗？
不需要。它会参考 AWS SageMaker、Google Vertex AI、Azure ML 和基于 Kubernetes 的服务选项。
开发者详情
作者
sickn33许可证
MIT
Skillstore 修订
r2
版本提示
作者未声明版本。
引用
81e05e636292629114b76cbb3922fbe57672fc02
维护新鲜度
2026/8/5
使用量
10 次下载 · 112 次浏览
文件结构
📄 SKILL.md
sickn33 的更多技能
查看全部📦
prompt-engineering-patterns
85用成熟模式改进 LLM 提示词
不一致的提示词会浪费时间，并让 AI 输出难以信任。此技能通过可复用模式、示例、评估步骤和优化工作流来指导提示词设计。
效率 查看
📦
senior-architect
81设计可扩展的软件架构
在 Web、移动端、后端和云系统之间比较架构决策并不容易。此技能为报告、依赖项审查和权衡文档提供结构化指南与本地脚手架脚本。
编码与开发 查看
📦
senior-fullstack
81使用资深级模式构建全栈应用
团队需要针对现代 Web 应用的一致设置、架构和审查指导。此技能为 React、Next.js、Node.js、GraphQL 和 PostgreSQL 项目提供脚手架工具、工作流参考和质量提示。
编码与开发 查看
📦
prompt-engineer
81使用 Prompt Engineer 优化 AI 提示词
当目标模糊或复杂时，编写清晰的提示词很困难。此技能会使用经过验证的提示词框架，将粗略请求转化为结构化提示词。
效率 查看
📦
product-manager-toolkit
80利用研究洞察优先安排产品工作
产品团队需要更快的方法来对功能排序、综合访谈内容并记录决策。此技能提供 RICE 评分、访谈分析和 PRD 模板，用于结构化规划。
效率 查看
相关技能
查看全部📦
senior-ml-engineer
81构建生产级 ML 和 RAG 系统
由 davila7
生产级 ML 系统难以持续地进行设计、部署和监控。此技能涵盖 MLOps、LLM 集成、RAG 架构以及本地工作流脚手架。
数据与分析 查看
📦
pytdc
82使用 PyTDC 分析治疗性 ML 数据
由 davila7
药物发现团队需要一致的数据集和公平的基准。此技能指导 PyTDC 工作流，用于加载数据、拆分数据集、评估模型以及使用分子 oracle。
数据与分析 查看
📦
senior-data-scientist
81设计数据科学实验与模型
由 alirezarezvani
当实验、特征和模型缺乏清晰的统计结构时，数据科学项目往往会失败。此技能为 Claude、Codex 和 Claude Code 提供用于实验、特征工程和模型评审的引导式工作流。
数据与分析 查看
📦
senior-computer-vision
81构建生产级计算机视觉系统
由 alirezarezvani
计算机视觉团队需要在模型、数据集、推理和部署方面获得可靠指导。此技能通过实用的工程检查，帮助规划和优化生产级视觉流水线。
数据与分析 查看
📦
senior-data-engineer
81构建生产级数据管道
由 alirezarezvani
生产数据团队需要可靠的模式来处理管道、质量检查和编排。此技能为现代数据栈提供架构、脚手架和 DataOps 实践指导。
数据与分析 查看
📦
ml-antipattern-validator
81验证 ML 工作流中的隐藏反模式
由 Doyajin174
ML 项目可能看起来准确，但数据泄漏或薄弱的评估会掩盖严重缺陷。此技能会指导对拆分、指标、训练和部署就绪情况进行结构化检查。
数据与分析 查看