参考
基于 MLflow 官方文档 + GitHub Releases（3.x）+ Python SDK API 整理，对照稳定版 3.14.0
速查
- 安装：
pip install mlflow/pip install "mlflow[extras]" - 启动 UI：
mlflow ui --host 0.0.0.0 --port 5000 - 核心 API：
mlflow.start_run/log_param/log_metric/log_artifact/autolog - 模型：
mlflow.<flavor>.log_model/mlflow.<flavor>.load_model/mlflow.pyfunc.load_model - Registry：
mlflow.register_model/MlflowClient/transition_model_version_stage/set_registered_model_alias - Projects：
MLproject文件 +mlflow run - Deployments：
mlflow deployments start - Evaluate：
mlflow.evaluate(model, data, model_type=, extra_metrics=) - 环境变量：
MLFLOW_TRACKING_URI/MLFLOW_S3_ENDPOINT_URL/MLFLOW_ARTIFACT_URI/MLFLOW_EXPERIMENT_NAME - 版本：稳定版 3.14.0（2026-06-17）；Python ≥ 3.9
组件全景
| 组件 | 职责 | 关键 API |
|---|---|---|
| Tracking | 记录实验（param/metric/artifact） | start_run / log_* / autolog |
| Projects | 可复现运行的可打包格式 | MLproject / mlflow run |
| Models | 标准化模型打包（flavor） | log_model / load_model |
| Model Registry | 中央模型仓库（版本/阶段/标签） | register_model / MlflowClient |
| Recipes / Pipelines | 结构化可复用流水线 | mlflow.recipes.* |
| Deployments | 统一推理服务 / LLM 网关 | mlflow deployments |
| Evaluate | 模型与 LLM/Agent 评测 | mlflow.evaluate |
| GenAI（3.x） | LLM/Agent 评测 + Tracing + Prompt | mlflow.genai |
Tracking API 速查
| API | 说明 |
|---|---|
mlflow.set_experiment("name") | 设置/创建实验 |
mlflow.start_run(run_name=, nested=, experiment_id=) | 创建 run（推荐用 with） |
mlflow.log_param(key, value) / log_params(dict) | 记录参数（标量） |
mlflow.log_metric(key, value, step=) | 记录指标（可时序） |
mlflow.log_artifact(local_path) / log_artifacts(dir) | 记录产物文件 |
mlflow.log_input(dataset, context=) | 记录输入数据集（血缘） |
mlflow.autolog() / mlflow.<fw>.autolog(...) | 自动记录 |
mlflow.end_run() | 结束 run（with 自动调用） |
mlflow.search_runs(experiment_ids, filter_string=, order_by=) | 查询 run |
Models API 速查
| API | 说明 |
|---|---|
mlflow.<flavor>.log_model(model, artifact_path, registered_model_name=, signature=, input_example=) | 记录模型（自动含 pyfunc） |
mlflow.<flavor>.save_model(model, path, ...) | 保存到本地目录 |
mlflow.<flavor>.load_model(model_uri) | 按具体 flavor 加载 |
mlflow.pyfunc.load_model(model_uri) | 通用 pyfunc 加载（统一 predict） |
mlflow.models.infer_signature(input, output) | 推断输入输出 schema |
mlflow.pyfunc.PythonModel（继承） | 自定义 pyfunc（实现 predict / load_context） |
Model URI 形态
| URI | 含义 |
|---|---|
runs:/<run_id>/<artifact_path> | 指向某次 run 的模型 |
models:/<name>/<stage> | 某 stage 的最新版本 |
models:/<name>@v<N> | 指定版本号 |
models:/<name>@<alias> | 指定别名 |
Model Registry API
| API | 说明 |
|---|---|
mlflow.register_model(model_uri, name) | 注册模型版本 |
client.create_registered_model(name) | 创建模型组 |
client.create_model_version(name, source, run_id=) | 创建版本 |
client.transition_model_version_stage(name, version, stage) | 切换 stage（None/Staging/Production/Archived） |
client.set_registered_model_alias(name, alias, version) | 设置别名 |
client.delete_registered_model_alias(name, alias) | 删除别名 |
client.get_latest_versions(name, stages=) | 取某 stage 最新版本 |
client.get_model_version_by_alias(name, alias) | 按别名取版本 |
client.set_registered_model_tag / set_model_version_tag | 打标签 |
client.search_model_versions(filter_string=) | 搜索版本 |
autolog 支持的框架
| 框架 | 模块 |
|---|---|
| Scikit-learn | mlflow.sklearn |
| PyTorch（Lightning） | mlflow.pytorch |
| TensorFlow / Keras | mlflow.tensorflow / mlflow.keras |
| XGBoost | mlflow.xgboost |
| LightGBM | mlflow.lightgbm |
| Paddle | mlflow.paddle |
| PySpark | mlflow.pyspark |
| FastAI | mlflow.fastai |
| CatBoost | mlflow.catboost |
| 其它（H2O/MXNet/ONNX/Prophet/Statsmodels/Spacy） | 各自模块 |
Model Flavor 列表
| flavor | 框架 | 是否含 pyfunc |
|---|---|---|
python_function（pyfunc） | 通用基础 | 是（本身即基础） |
sklearn | scikit-learn | 是 |
pytorch | PyTorch | 是 |
tensorflow | TF/Keras | 是 |
xgboost | XGBoost | 是 |
lightgbm | LightGBM | 是 |
onnx | ONNX | 是 |
h2o | H2O.ai | 是 |
statsmodels | Statsmodels | 是 |
spark | Spark MLlib | 是 |
| 自定义 | 继承 PythonModel | 是 |
Projects（MLproject）字段
| 字段 | 说明 |
|---|---|
name | 项目名 |
conda_env / docker_env | 环境（conda yaml 或 docker image） |
entry_points.<name>.parameters | 入口参数（type + default） |
entry_points.<name>.command | 执行命令（支持 {param} 占位） |
Deployments / Evaluate
| API | 说明 |
|---|---|
mlflow deployments start --host --port | 启动 Deployments Server |
mlflow.deployments.set_endpoint / get_endpoint_client | 管理 endpoint |
mlflow.evaluate(model, data, targets=, model_type=, extra_metrics=, evaluators=) | 评测传统模型 / LLM |
mlflow.metrics.toxicity() / genai.answer_relevance(...) | 内置 LLM judge 指标 |
mlflow.genai.*（3.x） | GenAI 评测、Tracing、Prompt 管理 |
环境变量
| 变量 | 用途 |
|---|---|
MLFLOW_TRACKING_URI | Tracking Server 地址（http:// / databricks / file://） |
MLFLOW_EXPERIMENT_NAME | 默认实验名 |
MLFLOW_ARTIFACT_URI | 默认 artifact 根路径 |
MLFLOW_S3_ENDPOINT_URL | 自定义 S3 兼容端点（MinIO 等） |
MLFLOW_TRACKING_INSECURE_TLS | 跳过 TLS 校验（调试用） |
MLFLOW_RUN_ID | 复用已有 run（少用） |
近期版本要点
| 版本 | 关键变化 |
|---|---|
| 2.x（长期） | Tracking / Models / Registry 成熟；autolog 框架扩充 |
| 3.0 | 重心扩展到 GenAI：mlflow.genai、Tracing、Prompt 管理、AI Observability；注册表语义演进 |
| 3.6 | AI Observability、Experiment UI、Agent Evaluation、Deployment 增强 |
| 3.14（2026-06） | Registry versions 改进、新 settings 工具、structured output 支持 |
与竞品对照
| 维度 | MLflow | W&B | SageMaker |
|---|---|---|---|
| 开源 / 商业 | 开源（Apache 2.0），可自托管 | SaaS 为主，有自托管 server | AWS 闭源托管 |
| 强项 | Tracking + Registry + flavor 部署 | 实验可视化 + 协作 Report | 端到端 ML（训练→部署→监控） |
| LLM 评测 | mlflow.genai / evaluate | Weave | Bedrock 评测 |
| 自托管成本 | 中（要管 DB + artifact） | 低（SaaS）/ 中（自托管 server） | 不适用（AWS 托管） |