标准回答
主要角色与职责
- 产品经理：定义业务目标、成功指标与优先级；
- 数据工程：搭建数据管道、保障数据质量与可用性；
- 数据科学/算法：做问题建模、特征设计、模型训练与离线评估；
- ML 工程：把模型工程化，做特征服务、推理服务、性能优化；
- MLOps/平台：流水线、CI/CD、监控、版本与实验追踪；
- 标注团队：产出高质量标签；
- 领域专家：提供业务知识，参与标注规范与结果审校。
如何协作
协作的关键不是堆人，而是清晰的交接物。数据工程和算法之间约定数据契约（schema、口径、更新频率）；算法和 ML 工程之间约定模型契约（输入输出格式、特征一致性、延迟 SLA）。
对齐共同指标
全团队对齐同一套业务北极星指标和离线评估口径，避免算法只盯 AUC、产品只盯 GMV 而方向打架。用例会、共享看板和文档把上下游串起来。
常见误区
⚠️ 常见踩坑
把团队等同于「算法工程师」单角色，忽视数据工程、ML 工程和 MLOps；以及交接靠口头沟通而无数据契约/模型契约，导致线上线下特征不一致。
追问
追问 1：小团队人手不足时角色如何取舍？
小团队会一人多岗，但不能省掉职责。优先保证数据质量（数据工程）和工程化落地（ML 工程），因为它们决定模型能否上线稳定运行。算法可先用成熟模型/API 快速验证，把精力放在数据和迭代上。MLOps 可用现成平台（实验追踪、模型注册）替代专职人力。
追问 2：算法和工程经常「扯皮」，怎么减少摩擦？
根因多是缺乏明确边界与契约。建立模型契约（输入输出 schema、特征来源、延迟/吞吐 SLA）和共享的特征平台保证训练-服务一致；交接时附模型卡、评测报告和冒烟测试；用统一线上监控让双方看同一组指标，对事不对人地定位问题。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。