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)
Databricks原生支持MLflow和Spark，使惠普的数据工程与数据科学团队能在同一平台上协作，无需在多个系统间搬运数据。
科研领域已经存在一批专注于可追溯性的工具，例如 MLflow、Weights & Biases（实验记录与参数追踪）、DVC（数据版本控制）和 Jupyter（交互式笔记本环境记录）。
MLflow或Weights & Biases可用于记录实验、对比结果并保持条理。
MLflow 的 AI Gateway 将 Bedrock 聊天消息转为纯字符串，从不发送缓存点；LangChain 的 openwiki 发现其缓存中间件跳过了应用推理配置文件 ARN。
一体化平台类别包含21款工具，代表项目包括Langfuse、MLflow、Opik、Agenta、LangWatch
作者推荐带原生LangChain集成的工具为Langfuse、Opik、MLflow、Phoenix和AcruxCore
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
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
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
还有 35 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 Model Registry提供模型版本管理能力，模型经历None → Staging → Production → Archived四个阶段
80%已验证一个完整的AI模型版本至少涵盖权重文件、训练数据的版本快照、训练配置与运行环境、评估结果与基准数据集
75%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Weights & Biases提供实验追踪、可视化对比和模型注册功能，类似工具还包括MLflow和Neptune.ai
65%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提供实验追踪功能，自动记录每次训练的参数、指标、代码版本和产物
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MLflow 与 Feature Store 集成时可以自动记录训练所用的特征版本与数据集快照，实现从特征定义到部署版本的模型谱系追溯
70%