MLflow
MLflow — ML 生命周期平台：追踪、模型、注册、服务。
分析中等
技术栈组成
PlatformMLflow 2.x
为什么
追踪实验，打包模型，管理注册，一条命令部署。PostHog 和 Plausible 提供隐私优先分析，无需 GDPR 同意横幅，2024 年增长 200%。
BigQuery 和 ClickHouse 以 5 美元/TB 处理 PB 级数据。
何时使用
用于 ML 实验管理。避免简单一次性脚本。
如何做
1. pip install mlflow
2. mlflow.set_experiment()
3. 用 autolog 记录参数/指标
4. mlflow models serve
示例
import mlflow
mlflow.autolog()
with mlflow.start_run():
# 训练模型
mlflow.log_metric('accuracy', 0.95)
常见问题
- ⚠追踪服务器宕机 — 本地用 file store
- ⚠模型注册冲突 — 用阶段转换
- ⚠环境间配置漂移 — 使用基础设施即代码（Terraform/Pulumi）保持 dev/staging/prod 一致
最佳实践
- ✓用 autolog 自动追踪
- ✓在注册表中版本化模型
- ✓设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求
常见问题解答
什么是MLflow？适合做什么项目？
MLflow — ML 生命周期平台：追踪、模型、注册、服务。 它通过分层组合提供端到端类型安全与开箱即用的部署体验，适合从 MVP 到生产 SaaS 的快速迭代。
如何用MLflow在 10 分钟内跑通一个 demo？
两步起步：① pip install mlflow；② mlflow.set_experiment()。先跑通本地 dev server，再接一个真实数据源验证端到端链路。
MLflow 最常见的坑是什么？怎么避免？
最高频的坑是：追踪服务器宕机 — 本地用 file store。避免方法：在 PR 模板里加入对应 checklist，CI 中跑类型检查 + lint + 单测，三重把关再合并。
MLflow 的最佳实践有哪些？
MLflow 的最佳实践包括：用 autolog 自动追踪；在注册表中版本化模型；设置健康检查和优雅关闭 — 处理 SIGTERM 以在退出前排空进行中的请求。其中首条「用 autolog 自动追踪」应在项目初始化时就落地，避免后期返工。
什么情况下不该选MLflow？
三种情况另选他栈：① 团队对该栈核心框架零经验且工期紧张（学习曲线风险）；② 项目是纯内容/营销站（选 Astro 更轻）；③ 需要极高吞吐（>1 万 RPS）或强一致微服务（选 Go/Rust）。MLflow 的强项是中高复杂度全栈与 API，别在简单静态页上过度工程。