ml-adoption-playbook

它能做什么

中文摘要

「ml-adoption-playbook」的原始 GitHub SKILL.md 将它定位为：End-to-end methodology for AI agents and software engineers to add machine learning algorithms to existing non-ML codebases.。它的核心价值是把前端性能、渲染路径、数据获取和包体控制变成可执行检查清单；约束界面层级、组件状态、可访问性和视觉验收细节。文档重点章节包括「When to Activate」「Phase 1: Problem Framing & Feasibility」「Phase 2: Data Readiness」。

为什么推荐

推荐理由

推荐它，是因为它在「架构模式」分类里热度靠前（GitHub Stars 219,439），同时原始文档信息密度足够高。原文列出的执行要点包括：A user asks to "add ML" or "add an algorithm" to their existing codebase.；Planning the integration of a new model (e.g., recommendation, classification, forecasting) into a non-ML application.。对经常重复的任务来说，这类 Skill 能把经验沉淀到工作流前端，减少临场猜测。

什么时候用

适用场景

• 做界面实现、组件重构、视觉验收或设计系统一致性检查
• 处理 Web 应用路由、部署、缓存、服务端渲染和生产问题
• 设计数据模型、编写查询、做迁移和排查数据库性能问题

使用前先看

主要亮点

• 01

  End-到-end methodology 用于 AI Agent 和 software engineers 到 add。

• 02

  原文摘录：End-到-end methodology 用于 AI Agent 和 software en

• 03

  原文要点：A user asks 到 "add ML" or "add an algorithm" 到 the

• 04

  补充线索：Planning the integration of a new model (e.g., recom

原始文档

原文摘录

End-to-end methodology for AI agents and software engineers to add machine learning algorithms to existing non-ML codebases.