MLflow
MLflow是一个开源的机器学习生命周期管理平台，由Databricks发起并由社区维护。它提供实验跟踪、模型训练参数记录、模型版本注册与管理、以及模型部署等核心功能，支持多种主流机器学习框架。MLflow旨在帮助数据科学家和工程师在整个机器学习开发流程中实现标准化、可复现性与协作，适用于个人研究及企业生产环境。
核心事实
时间轴 (近 90 天)
MLflow、Neptune、Comet ML 等是类似 W&B 的实验追踪工具
MLflow强于模型的全生命周期管理与追踪，但暴露成生产级端点仍需额外的部署配置
DSPy与MLflow结合使用时，DSPy负责生成优化后的程序，MLflow负责将程序版本、评估得分和实验上下文持久化存储
MLflow是Databricks主导的开源MLOps平台，最初为传统机器学习实验管理设计，近年扩展出对LLM和Agent的原生支持
Databricks的MLflow和AI Gateway产品是统一模型接入层方向的具体实践
MLflow的Tracing功能可以自动捕获每次LLM调用的完整上下文，包括实际发送的Prompt文本、模型原始响应、token消耗及延迟
Serj Smorodinsky和Brett Kennedy主讲了一场DSPy/MLflow实战工作坊，聚焦LLM管道漂移问题
结合DSPy使用时，MLflow能将一次完整推理链路中每个模块的输入输出记录为嵌套的Span树
Databricks推出的Delta Lake开源格式和MLflow实验追踪工具均以开源方式发布
MLflow 的核心模块包括 MLflow Tracking、MLflow Projects、MLflow Models 和 MLflow Registry
还有 33 条时间轴事件
全部知识事实 (20)
MLflow由Databricks于2018年开源
90%已验证MLflow是一个开源的AI工程平台，覆盖模型的监控、评估、分析、调试和部署等全生命周期管理
75%已验证MLflow是实验跟踪的入门首选工具，开源且可记录参数、指标与模型产物
70%已验证Weights & Biases、MLflow、Kubeflow是MLOps工具链的代表
70%已验证MLOps是将DevOps理念延伸至机器学习生命周期的工程实践体系，涵盖数据版本管理、模型训练自动化、CI/CD、线上监控与回滚
70%已验证业界常用的ML CI/CD工具包括MLflow（实验追踪和模型注册）、DVC（数据版本控制）、Airflow或Prefect（工作流编排）、Seldon Core或BentoML（模型服务化），Kubeflow提供基于Kubernetes的端到端ML平台
65%已验证MLOps 涵盖模型版本管理（MLflow、Weights & Biases）、自动化训练流水线（Kubeflow、Airflow）、模型服务（TensorFlow Serving、Triton）、监控与漂移检测等环节
65%已验证典型MLOps流程涵盖数据版本管理、实验追踪、模型打包、服务化接口、CI/CD自动化、线上监控与漂移检测等环节
65%已验证MLflow使用Python开发，与PyTorch、TensorFlow、Keras、Hugging Face Transformers、LangChain、OpenAI API、scikit-learn、XGBoost、LightGBM等主流AI/ML框架实现了深度集成
65%待验证MLflow Model Registry提供模型版本管理能力，模型经历None → Staging → Production → Archived四个阶段
95%待验证MLflow同时服务于GenAI（大语言模型、Agent、Prompt工程）和经典机器学习两个场景
95%待验证MLflow项目目前由Linux基金会托管
90%待验证MLflow支持LangChain和Mistral等框架的自动追踪，只需替换autolog调用即可切换
90%待验证MLflow实现OpenAI调用的完整请求追踪只需添加三行代码
90%待验证MLflow服务启动后通过localhost:5000访问仪表盘
90%待验证MLflow仪表盘的Traces页面提供P99、P90延迟百分位数等聚合统计数据
85%待验证MLflow的Tracing功能专为大语言模型和AI Agent设计，能够自动记录Agent每一步的输入输出、工具调用参数、延迟时间和Token消耗等信息
80%待验证Databricks的MLflow和AI Gateway产品是统一模型接入层方向的具体实践
70%待验证在开源AI平台领域，Cube Studio 的竞品包括 Kubeflow、MLflow、Airflow+自建方案等
70%待验证MLflow Model Registry、Weights & Biases、DVC 提供完整的模型版本管理、实验追踪、血缘图谱和部署集成，但引入成本较高
60%