ml-adoption-playbook 是给原本没有机器学习能力的项目安排模型接入步骤的 Skill。它从业务问题、数据条件和错误代价开始，再考虑训练与集成。
先看简单规则能否解决问题，定要改善的指标与错误如何兜底。训练数据还要有字段约定，时间序列划分避免把未来信息提前喂给模型。
模型与业务分开，超时或出错能回到可用规则，开关控制灰度。先做简单基线，再留转换测试和评估脚本，比较新模型是否值得增加复杂度。
持续监控、模型登记等运维细则交给另外的工作流，本文未展开。适合在旧系统里加一项可测能力，固定随机种子只是复现的一部分；指标变好也不自动证明线上客户受益，仍要核使用场景。