MLflow
MLflow 是 Databricks 主导、Apache 2.0 开源的 ML/AI 生命周期管理平台（官方定位「Open Source AI Platform for Agents, LLMs & Models」），围绕「实验可复现、模型可治理、部署可落地」三大诉求提供一套与框架/云厂商解耦的工具。其抽象体系由若干**组件（Components）**构成：Tracking（记录实验的参数、指标、产物）、Projects（可复现运行的可打包格式）、Models（标准化的模型打包格式，由 flavor 描述下游如何加载）、Model Registry（中央模型仓库，版本+阶段+标签+审批）、Recipes / Pipelines（结构化可复用流水线，原 MLflow Pipelines）、Deployments（统一推理服务/LLM 网关抽象）、Evaluate（模型与 LLM/Agent 的评测框架）。Tracking 的核心数据模型是 experiment → run → metric / param / artifact，配合 autolog（一行 mlflow.autolog() 自动捕获 PyTorch/sklearn/XGBoost/TensorFlow/LightGBM/PySpark 等的训练信息）。Models 通过 flavor（python_function 是所有 Python 模型的基础 flavor，sklearn/pytorch/tensorflow 等在其上叠加）实现「一次打包、多下游通用」，mlflow.pyfunc.load_model 给出统一的 predict() 接口。MLflow 3.x 把重心扩展到 GenAI：LLM/Agent 评测（mlflow.genai）、Tracing、Prompt 管理、AI Observability，并引入 Databricks Free Tier / Managed MLflow 与自托管 Tracking Server 两种部署形态。截至 2026 年 7 月，稳定版为 3.14.0（2026-06-17 发布）。信源 mlflow.org/docs。
评价
优点
- 开源、框架无关：Apache 2.0，sklearn/PyTorch/TF/XGBoost/LightGBM/H2O/ONNX/Spark 等主流框架都有 flavor 与 autolog，不锁框架
- 组件齐全：Tracking + Projects + Models + Model Registry + Pipelines + Deployments + Evaluate 一条龙，从实验到上线不用拼多个工具
- Tracking 上手极快：
mlflow.autolog()一行启用，param/metric/model/依赖自动落盘，几乎是零成本接入 - Model flavor 解耦部署：
python_function基础 flavor 让任何模型都能被统一predict()加载，下游部署工具不用懂每个框架 - 3.x GenAI 友好：
mlflow.genai评测 LLM/Agent、Tracing、Prompt 管理，把传统 ML 与 GenAI 治理统一在一个平台 - 部署灵活：自托管 Tracking Server（开源、可上任意云）或用 Databricks 托管 MLflow 免运维，迁移成本可控
缺点
- Tracking Server 自托管重：要管数据库（PostgreSQL/MySQL）、artifact 存储（S3/GCS/Azure Blob）、反向代理、鉴权，小团队维护成本不低
- UI 功能分散：Tracking / Models / Registry / Experiments 多个 Tab，新人对「该去哪儿看」常犯迷糊
- 3.x 变动较大：API 拆分（genai/deployments/tracing 独立模块）、配置体系（
mlflow.settings）、注册表语义演进，从 2.x 升级有迁移成本 - Pipelines/Recipes 定位摇摆：历经 MLflow Pipelines → Recipes → 又被官方弱化，文档与社区实践不如 Tracking/Registry 稳定
- 企业级特性偏弱：开源版的细粒度权限、审批工作流、配额治理不如 SageMaker Model Registry / W&B，重治理常需上 Databricks 付费版