摘要
MLflow 是一个开源的端到端 AI 与机器学习开发平台，将传统机器学习与生成式 AI 工作流整合，提供实验跟踪、模型管理、可观测性和评估能力。
其核心能力覆盖 Tracking、Model Registry、部署、GenAI Tracing、Prompt 管理与评估，并支持多工作区组织、OpenTelemetry 兼容和多语言 SDK。项目可部署在本地、on-prem 与云环境，也可使用托管服务。
功能与定位
MLflow 的定位是统一 AI/ML 开发与上线过程中的关键环节，降低“实验、评估、追踪、部署”之间的割裂。
面向传统机器学习，MLflow 提供实验跟踪、模型注册与部署能力；面向 GenAI/LLM 应用，提供调用链路追踪、评估与提示词管理能力。
典型使用场景
- 个人开发者在本地记录训练参数、指标与模型产物，快速对比实验结果。
- 团队在统一 Tracking Server 上协作，管理多项目实验、模型与权限。
- GenAI 应用团队追踪多轮对话链路、评估输出质量，并观察调用成本与网关用量。
- 需要同时维护经典 ML 与 LLM 应用的团队，使用同一平台统一管理生命周期。
核心功能
- 实验跟踪：通过 API 与 UI 记录参数、指标、代码版本和产物，支持 autolog。
- 模型管理：支持模型注册、检索与版本管理，便于模型对比和交付。
- GenAI 能力：支持 Tracing、评估、Prompt 管理与应用版本追踪。
- 部署能力：支持本地与服务化部署路径，兼顾单机开发与团队协作。
- 多工作区：支持在同一套基础设施中进行多团队与多项目隔离。
特色与差异点
- 一体化：同一平台覆盖 Classic ML 与 GenAI 的关键工作流。
- 开放性：强调 OpenTelemetry 兼容，降低供应商锁定风险。
- 生态兼容：支持多种模型框架与多语言 SDK（Python、TypeScript/JavaScript、Java、R）。
- 部署灵活：既支持自托管，也可接入主流托管服务生态。
使用方式概览
MLflow 的核心组件包括 SDK、Backend Store、Artifact Store 和 Tracking Server。
常见落地方式有三类：
- 默认本地模式（适合个人开发）
- 本地 tracking + 数据库（更结构化管理）
- 远端 tracking server（适合团队协作与权限治理）
Backend Store 支持 SQLAlchemy 生态数据库（如 PostgreSQL、MySQL、SQLite、MSSQL），用于支撑团队级的稳定运行。
限制与注意事项
- Workspaces 为可选能力，启用时依赖 SQL backend。
- 若用于组织级协作，需要提前规划后端存储、产物存储与访问控制策略。
- 本文档仅整理公开可验证的项目定位与功能信息，不替代官方部署与运维文档。
链接
- https://github.com/mlflow/mlflow
- https://mlflow.org
- https://mlflow.org/docs/latest
- https://github.com/mlflow/mlflow/releases/tag/v3.10.0