ML采纳实战手册 是做什么的？
本技能提供了一种自适应方法，用于将机器学习模型集成到现有的软件工程项目中。它通过结构化的方式（如何研究、解耦、训练和集成ML）弥合了传统软件工程与MLOps之间的差距。
激活时机
- 用户要求“添加ML”或“添加算法”到其现有代码库时。
- 规划将新模型（例如推荐、分类、预测）集成到非ML应用程序中时。
- 为Agent构建、训练和部署ML组件自适应地编排工作流程时。
第一阶段：问题框架与可行性
在编写模型代码之前，先确立“为什么”和“怎么做”。
- 启发式检查： 询问用户是否可以通过简单的启发式方法（例如正则表达式、基于规则的排序）更快地解决问题。如果可以，就先用它。
- 指标定义： 定义ML模型旨在改进的业务指标（例如点击率、降低延迟）。
- 错误预算： 定义“不良”预测是什么样的，以及系统应如何处理它。
第二阶段：数据准备
没有干净、可访问的数据，ML毫无用处。
- 审计数据源： 确定训练数据在哪里。是实时数据库、静态CSV还是API？
- 数据合约： 为输入数据建立模式。需要哪些特征？如果特征缺失怎么办？
- 泄漏防范： 确保用户提出的数据拆分不会意外地将未来信息泄漏到训练集中（例如，时间序列数据的按时间拆分）。
第三阶段：架构集成与解耦
不要将模型推理与核心业务逻辑紧密耦合。
- API边界： 建议将模型置于API端点之后（例如使用
fastapi-patterns或django-patterns），或放在专用服务类中。 - 回退机制： 设计默认状态。如果模型响应时间过长或抛出错误，系统必须优雅地回退到硬编码规则。
- 特性标志： 将新的ML推理调用包装在特性标志中，以便安全地推出（或回滚）。
第四阶段：模型实现与训练
构建可复现且易于迭代的代码结构。
- 从简单开始： 首先构建基线模型（例如简单的scikit-learn逻辑回归或简陋的PyTorch线性层）。
- 可复现性： 应用
pytorch-patterns或类似最佳实践：固定随机种子、使代码与设备无关、明确记录张量/数组形状。 - 自动化验证： 要求为数据转换和推理模式编写测试。不接受没有评估脚本（与基线比较）的模型。
第五阶段：移交至MLOps
基线模型集成后，将重点转向持续化运营。
- 参考
mle-workflow： 引导用户设置实验跟踪、模型注册表和漂移检测。 - CI/CD： 将模型评估步骤添加到现有CI流水线中，确保未来的提交不会降低模型性能。
迭代式Agent工作流
通过本手册协助用户时，Agent应遵循以下步骤：
- 提出澄清性问题 以在提出架构之前完成第一阶段。
- 起草数据合约 在第二阶段供用户批准。
- 编写解耦接口（API/服务）在编写训练循环之前的第三阶段完成。
- 交付可复现脚本 在第四阶段完成，该脚本训练模型并保存工件。