命令行界面
MLflow 命令行界面 (CLI) 提供了一个简单的界面来使用 MLflow 的各种功能。您可以使用 CLI 来运行项目、启动跟踪 UI、创建和列出实验、下载运行的工件、服务 MLflow Python 函数和 scikit-learn 模型，以及在Microsoft Azure Machine Learning 和Amazon SageMaker 上服务模型。
每个单独的命令都有一个详细的帮助屏幕，可以通过 mlflow command_name --help 访问。
注意
建议默认设置 MLFLOW_TRACKING_URI 环境变量，因为 CLI 不会自动连接到跟踪服务器。如果不设置，CLI 将默认使用命令执行所在的本地文件系统，而不是连接到本地主机或远程 HTTP 服务器。对于以下大多数命令，都需要将 MLFLOW_TRACKING_URI 设置为所需跟踪服务器的 URL。
目录
mlflow
用法
mlflow [OPTIONS] COMMAND [ARGS]...
选项
artifacts
从 MLflow 工件存储库上传、列出和下载工件。
要管理与跟踪服务器关联的运行的工件，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow artifacts [OPTIONS] COMMAND [ARGS]...
download
将工件文件或目录下载到本地目录。输出是本地文件系统上的文件或目录的名称。
必须提供 --artifact-uri 或 --run-id。
用法
mlflow artifacts download [OPTIONS]
选项
autolog
用于 MLflow 自动记录的命令。
用法
mlflow autolog [OPTIONS] COMMAND [ARGS]...
claude
在目录中设置 Claude 代码跟踪。
此命令配置 Claude 代码挂钩以自动将对话跟踪到 MLflow。设置后，使用常规的“claude”命令，跟踪将自动创建。
DIRECTORY: 要设置跟踪的目录（默认：当前目录）
示例
# 在当前目录中设置使用本地存储的跟踪 mlflow autolog claude
# 在特定项目目录中设置跟踪 mlflow autolog claude ~/my-project
# 使用 Databricks 设置跟踪 mlflow autolog claude -u databricks -e 123456789
# 使用自定义跟踪 URI 设置跟踪 mlflow autolog claude -u file://./custom-mlruns
# 在当前目录中禁用跟踪 mlflow autolog claude –disable
用法
mlflow autolog claude [OPTIONS] [DIRECTORY]
选项
- -u, --tracking-uri <tracking_uri>
MLflow 跟踪 URI（例如，“databricks”或“file://mlruns”）
参数
crypto
管理 MLflow 加密密码短语的命令。
用法
mlflow crypto [OPTIONS] COMMAND [ARGS]...
rotate-kek
轮换用于加密和解密的 KEK 密码短语。
用法
mlflow crypto rotate-kek [OPTIONS]
选项
环境变量
- MLFLOW_BACKEND_STORE_URI
为
--backend-store-uri提供默认值
db
管理 MLflow 跟踪数据库的命令。
用法
mlflow db [OPTIONS] COMMAND [ARGS]...
upgrade
将 MLflow 跟踪数据库的模式升级到支持的最新版本。
重要提示：模式迁移可能很慢，并且不保证是事务性的 - 在运行迁移之前务必备份数据库。迁移 README，位于 https://github.com/mlflow/mlflow/blob/master/mlflow/store/db_migrations/README.md，描述了大型迁移，并包含有关如何估算其性能和从故障中恢复的信息。
用法
mlflow db upgrade [OPTIONS] URL
参数
deployments
将 MLflow 模型部署到自定义目标。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
您也可以编写自己的插件来部署到自定义目标。有关编写和分发插件的说明，请参阅https://mlflow.org.cn/docs/latest/plugins.html#writing-your-own-mlflow-plugins。
用法
mlflow deployments [OPTIONS] COMMAND [ARGS]...
create
将 model_uri 处的模型部署到指定的 target。
还可以通过 -C key=value 将额外的插件特定参数传递给此命令。
用法
mlflow deployments create [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
create-endpoint
在指定目标处创建具有指定名称的端点。
还可以通过 -C key=value 将额外的插件特定参数传递给此命令。
用法
mlflow deployments create-endpoint [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
delete
从指定目标中删除具有 –name 指定名称的部署。
用法
mlflow deployments delete [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
delete-endpoint
删除指定目标处的指定端点。
用法
mlflow deployments delete-endpoint [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
explain
为指定输入生成已部署模型的模型预测的解释。解释输出格式因部署目标而异，并且可以包含特征重要性等详细信息，以便于理解/调试预测。运行 mlflow deployments help 或查阅您的插件文档以了解有关解释格式的详细信息。有关此函数接受的输入数据格式的信息，请参阅以下文档：https://www.mlflow.org/docs/latest/models.html#built-in-deployment-tools
用法
mlflow deployments explain [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
get
打印指定目标中具有 --name 指定名称的部署的详细描述。
用法
mlflow deployments get [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
get-endpoint
获取指定目标处指定端点的详细信息。
用法
mlflow deployments get-endpoint [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
help
显示特定部署目标的额外帮助信息，例如关于目标特定配置选项和目标 URI 格式的信息。
用法
mlflow deployments help [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
list
列出指定目标中所有模型部署的名称。这些名称可用于 delete、update 和 get 命令。
用法
mlflow deployments list [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
list-endpoints
列出指定目标下的所有端点
用法
mlflow deployments list-endpoints [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
predict
为已部署的模型预测给定输入的结果
用法
mlflow deployments predict [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
run-local
在本地部署模型。该命令的签名与 create API 非常相似。
用法
mlflow deployments run-local [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
update
更新指定目标中 ID 为 deployment_id 的部署。您可以更新模型的 URI 和/或已部署模型的 flavor（在这种情况下，还必须指定模型 URI）。
还可以通过 -C key=value 将其他特定于插件的参数传递给此命令。
用法
mlflow deployments update [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
update-endpoint
更新指定目标中的指定端点。
还可以通过 -C key=value 将额外的插件特定参数传递给此命令。
用法
mlflow deployments update-endpoint [OPTIONS]
选项
- -t, --target <target>
必需 部署目标 URI。运行 mlflow deployments help –target-name <target-name> 以获取有关支持的 URI 格式和给定目标的配置选项的更多详细信息。目前支持部署到：faketarget、databricks、http、https、openai、sagemaker。
在https://mlflow.org.cn/docs/latest/plugins.html#community-plugins 查看所有支持的部署目标和安装说明。
experiments
管理实验。要管理与跟踪服务器关联的实验，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow experiments [OPTIONS] COMMAND [ARGS]...
create
创建一个实验。
与此实验相关的运行生成的所有工件将存储在工件位置下，并组织在特定的 run_id 子目录中。
FileStore 为每个实验 ID 创建一个文件夹并在 meta.yaml 中存储元数据。运行存储为子文件夹。实验和元数据存储的实现取决于后端存储。
用法
mlflow experiments create [OPTIONS]
选项
delete
标记一个活动实验以供删除。这同样适用于实验的元数据、运行和关联数据，以及工件（如果存储在默认位置）。使用 list 命令查看工件位置。如果找不到实验或实验已被标记为删除，该命令将抛出错误。
被标记为删除的实验可以使用 restore 命令恢复，除非它们被永久删除。
删除的具体实现取决于后端存储。FileStore 将标记为删除的实验移动到实例化 FileStore 的主文件夹下的 .trash 文件夹中。标记为删除的实验可以通过清空 .trash 文件夹来永久删除。建议使用 cron 作业或备用的工作流机制来清空 .trash 文件夹。
用法
mlflow experiments delete [OPTIONS]
选项
get
通过 ID 获取实验的详细信息。
显示实验信息，包括名称、工件位置、生命周期阶段、标签、创建时间和最后更新时间。
# Get experiment in table format (default)
mlflow experiments get --experiment-id 1
# Get experiment in JSON format
mlflow experiments get --experiment-id 1 --output json
# Using short option
mlflow experiments get -x 0
用法
mlflow experiments get [OPTIONS]
选项
gateway
管理 MLflow Gateway 服务
用法
mlflow gateway [OPTIONS] COMMAND [ARGS]...
start
启动 MLflow Gateway 服务
用法
mlflow gateway start [OPTIONS]
选项
环境变量
- MLFLOW_GATEWAY_CONFIG
为
--config-path提供默认值
gc
永久删除指定后端存储中处于 deleted 生命周期阶段的运行。此命令将删除与指定运行关联的所有工件和元数据。如果提供的工件 URL 无效，将跳过工件删除，并继续进行垃圾回收过程。
注意
如果您正在运行启用了工件代理的 MLflow 跟踪服务器，则在运行此命令之前 **必须** 设置 MLFLOW_TRACKING_URI 环境变量。否则，gc 命令将无法解析工件 URI，也无法删除关联的工件。
已删除的内容
此命令将永久删除
运行元数据：来自后端存储的参数、指标、标签和所有其他运行信息
工件：运行工件位置中的所有文件（模型、图表、数据文件等）
实验元数据：删除实验时，删除实验记录及其所有关联数据
注意
此命令仅考虑生命周期阶段和指定的删除标准。它 **不** 检查固定的运行、注册的模型或标签。固定是仅 UI 功能，对垃圾回收没有影响。运行必须处于 deleted 生命周期阶段才能被永久删除。
示例
# Delete all runs that have been in the deleted state for more than 30 days
mlflow gc --older-than 30d
# Delete specific runs by ID (they must be in deleted state)
mlflow gc --run-ids 'run1,run2,run3'
# Delete all runs in specific experiments (experiments must be in deleted state)
mlflow gc --experiment-ids 'exp1,exp2'
# Combine criteria: delete runs older than 7 days in specific experiments
mlflow gc --older-than 7d --experiment-ids 'exp1,exp2'
用法
mlflow gc [OPTIONS]
选项
- --older-than <older_than>
可选。移除早于指定时间限制的运行。指定格式为 #d#h#m#s 的字符串。也支持浮点值。例如：–older-than 1d2h3m4s，–older-than 1.2d3h4m5s
- --backend-store-uri <PATH>
从中删除运行的后端存储的 URI。可接受的 URI 是 SQLAlchemy 兼容的数据库连接字符串（例如 ‘sqlite:///path/to/file.db’）或本地文件系统 URI（例如 ‘file:///absolute/path/to/directory’）。默认情况下，数据将从 ./mlruns 目录中删除。
- --artifacts-destination <URI>
用于解析工件上传/下载/列表请求的基本工件位置（例如 ‘s3://my-bucket’）。仅当跟踪服务器配置为流式传输工件且实验的工件根位置是 http 或 mlflow-artifacts URI 时，此选项才适用。否则，将使用默认的工件位置。
- --experiment-ids <experiment_ids>
可选的逗号分隔的实验 ID 列表，将永久删除，包括其所有关联的运行。如果未指定实验 ID，则将删除处于 deleted 生命周期阶段的所有实验的数据。
- --logged-model-ids <logged_model_ids>
可选的逗号分隔的已记录模型 ID 列表，将永久删除。如果未指定已记录模型 ID，则将删除处于 deleted 生命周期阶段的所有已记录模型的数据。
- --tracking-uri <tracking_uri>
用于删除“已删除”运行的跟踪 URI，例如 http://127.0.0.1:8080
环境变量
- MLFLOW_ARTIFACTS_DESTINATION
为
--artifacts-destination提供默认值
mcp
MLflow 的模型上下文协议 (MCP) 服务器。MCP 使 LLM 应用程序能够以编程方式与 MLflow 跟踪进行交互。
用法
mlflow mcp [OPTIONS] COMMAND [ARGS]...
models
在本地部署 MLflow 模型。
要部署与跟踪服务器上的运行相关联的模型，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow models [OPTIONS] COMMAND [ARGS]...
build-docker
构建一个 Docker 镜像，该镜像的默认入口点将在端口 8080 上提供 MLflow 模型，使用 python_function flavor。容器提供在调用 build-docker 时通过 --model-uri 引用的模型。如果在调用 build_docker 时未指定 --model-uri，则必须将 MLflow 模型目录作为卷挂载到容器中的 /opt/ml/model 目录。
使用 --model-uri 构建 Docker 镜像
# Build a Docker image named 'my-image-name' that serves the model from run 'some-run-uuid'
# at run-relative artifact path 'my-model'
mlflow models build-docker --model-uri "runs:/some-run-uuid/my-model" --name "my-image-name"
# Serve the model
docker run -p 5001:8080 "my-image-name"
不带 --model-uri 构建 Docker 镜像
# Build a generic Docker image named 'my-image-name'
mlflow models build-docker --name "my-image-name"
# Mount the model stored in '/local/path/to/artifacts/model' and serve it
docker run --rm -p 5001:8080 -v /local/path/to/artifacts/model:/opt/ml/model "my-image-name"
重要提示
自 MLflow 2.10.1 起，使用 --model-uri 构建的 Docker 镜像 **不安装 Java** 以提高性能，除非模型 flavor 是 ["johnsnowlabs", "h2o", "spark"] 之一。如果您需要为其他 flavor 安装 Java，例如使用 SparkML 的自定义 Python 模型，请指定 --install-java 标志以强制安装 Java。
注意：默认情况下，容器将启动 nginx 和 uvicorn 进程。如果您不需要启动 nginx 进程（例如，如果您将容器部署到 Google Cloud Run），可以通过 DISABLE_NGINX 环境变量禁用它。
docker run -p 5001:8080 -e DISABLE_NGINX=true "my-image-name"
默认情况下，uvicorn 工作进程的数量设置为 CPU 计数。如果您想设置自定义的工作进程数量，可以设置 MLFLOW_MODELS_WORKERS 环境变量。
docker run -p 5001:8080 -e MLFLOW_MODELS_WORKERS=4 "my-image-name"
有关“python_function”flavor 的更多信息，请参阅 https://www.mlflow.org/docs/latest/python_api/mlflow.pyfunc.html 。
用法
mlflow models build-docker [OPTIONS]
选项
- -m, --model-uri <URI>
[可选] 指向模型的 URI。可以是本地路径、‘runs:/’ URI 或远程存储 URI（例如 ‘s3://’ URI）。有关支持的模型伪 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores
- --env-manager <env_manager>
如果指定，则使用指定的环境管理器为 MLmodel 创建环境。支持以下值：
- local：使用本地环境- virtualenv：使用 virtualenv（以及 pyenv 用于 Python 版本管理）- uv：使用 uv- conda：使用 conda如果未指定，则默认为 virtualenv。
- --install-java <install_java>
如果需要，在镜像中安装 Java。默认值为 None，允许 MLflow 确定安装。需要 Java 的模型（例如 Spark）会自动启用此选项。注意：此选项仅适用于 UBUNTU 基础镜像；Python 基础镜像不支持 Java 安装。
- --install-mlflow
如果指定并且存在要激活的 conda、virtualenv 或 uv 环境，则在激活后将 MLflow 安装到该环境中。安装的 MLflow 版本将与调用此命令的版本相同。
- --enable-mlserver
通过 v2 推理协议启用 MLServer 进行服务。您可以使用环境变量配置 MLServer。（请参阅 https://mlserver.readthedocs.io/en/latest/reference/settings.html）
generate-dockerfile
生成一个包含 Dockerfile 的目录，该目录的默认入口点使用 python_function 模型在端口 8080 上服务 MLflow 模型。生成的 Dockerfile 将与模型（如果指定）一起写入指定的输出目录。此 Dockerfile 定义的镜像等同于由 `mlflow models build-docker 生成的镜像。
用法
mlflow models generate-dockerfile [OPTIONS]
选项
- -m, --model-uri <URI>
[可选] 指向模型的 URI。可以是本地路径、‘runs:/’ URI 或远程存储 URI（例如 ‘s3://’ URI）。有关支持的模型伪 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores
- --env-manager <env_manager>
如果指定，则使用指定的环境管理器为 MLmodel 创建环境。支持以下值：
- local：使用本地环境- virtualenv：使用 virtualenv（以及 pyenv 用于 Python 版本管理）- uv：使用 uv- conda：使用 conda如果未指定，则默认为 None，然后 MLflow 将根据模型的模型配置自动选择环境管理器。如果指定了 model-uri：如果模型配置中指定了 python 版本且不需要 java 安装，则使用本地环境。否则，使用 virtualenv。如果未提供 model-uri，则使用 virtualenv。
- --install-java <install_java>
如果需要，在镜像中安装 Java。默认值为 None，允许 MLflow 确定安装。需要 Java 的模型（例如 Spark）会自动启用此选项。注意：此选项仅适用于 UBUNTU 基础镜像；Python 基础镜像不支持 Java 安装。
- --install-mlflow
如果指定并且存在要激活的 conda、virtualenv 或 uv 环境，则在激活后将 MLflow 安装到该环境中。安装的 MLflow 版本将与调用此命令的版本相同。
- --enable-mlserver
通过 v2 推理协议启用 MLServer 进行服务。您可以使用环境变量配置 MLServer。（请参阅 https://mlserver.readthedocs.io/en/latest/reference/settings.html）
predict
使用保存的 MLflow 模型生成 JSON 格式的预测。有关此函数接受的输入数据格式的信息，请参阅以下文档：https://www.mlflow.org/docs/latest/models.html#built-in-deployment-tools。
用法
mlflow models predict [OPTIONS]
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
- --env-manager <env_manager>
如果指定，则使用指定的环境管理器为 MLmodel 创建环境。支持以下值：
- local：使用本地环境- virtualenv：使用 virtualenv（以及 pyenv 用于 Python 版本管理）- uv：使用 uv- conda：使用 conda如果未指定，则默认为 virtualenv。
- --install-mlflow
如果指定并且存在要激活的 conda、virtualenv 或 uv 环境，则在激活后将 MLflow 安装到该环境中。安装的 MLflow 版本将与调用此命令的版本相同。
prepare-env
执行预测或服务模型所需的任何准备工作，例如下载依赖项或初始化 conda 环境。准备完成后，调用 predict 或 serve 应该会很快。
用法
mlflow models prepare-env [OPTIONS]
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
serve
通过启动指定主机和端口上的 Web 服务器来服务使用 MLflow 保存的模型。该命令支持具有 `python_function` 或 `crate`（R 函数）模型的模型。有关 Web 服务器接受的输入数据格式的信息，请参阅以下文档：https://www.mlflow.org/docs/latest/models.html#built-in-deployment-tools。
警告
使用 MLflow 1.x 构建的模型在具有 MLflow 2.x 的环境中执行时，需要调整端点请求有效负载。在 1.x 中，请求有效负载的格式为：`{'columns': [str], 'data': [[...]]}。2.x 模型需要由 `dataframe_split`、`instances`、`inputs` 或 `dataframe_records` 的结构定义键定义的有效负载。请参阅下面的示例，了解 2.0 中调用 API 端点的更改。
注意
使用 pandas DataFrame 结构进行的请求可以是“split”或“records”定向格式。有关将 pandas DataFrame 转换为 JSON 的定向格式的详细信息，请参阅 https://pandas.ac.cn/docs/reference/api/pandas.DataFrame.to_json.html。
示例
$ mlflow models serve -m runs:/my-run-id/model-path &
# records orientation input format for serializing a pandas DataFrame
$ curl http://127.0.0.1:5000/invocations -H 'Content-Type: application/json' -d '{
"dataframe_records": [{"a":1, "b":2}, {"a":3, "b":4}, {"a":5, "b":6}]
}'
# split orientation input format for serializing a pandas DataFrame
$ curl http://127.0.0.1:5000/invocations -H 'Content-Type: application/json' -d '{
"dataframe_split": {"columns": ["a", "b"],
"index": [0, 1, 2],
"data": [[1, 2], [3, 4], [5, 6]]}
}'
# inputs format for List submission of array, tensor, or DataFrame data
$ curl http://127.0.0.1:5000/invocations -H 'Content-Type: application/json' -d '{
"inputs": [[1, 2], [3, 4], [5, 6]]
}'
# instances format for submission of Tensor data
curl http://127.0.0.1:5000/invocations -H 'Content-Type: application/json' -d '{
"instances": [
{"a": "t1", "b": [1, 2, 3]},
{"a": "t2", "b": [4, 5, 6]},
{"a": "t3", "b": [7, 8, 9]}
]
}'
用法
mlflow models serve [OPTIONS]
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
- -h, --host <HOST>
用于绑定服务器的网络接口（默认值：127.0.0.1）。这控制哪些网络接口接受连接。使用 '127.0.0.1' 进行本地访问，或使用 '0.0.0.0' 允许来自任何网络的连接。注意：这不是安全设置 - 它仅控制网络绑定。要限制哪些客户端可以连接，请使用 --allowed-hosts。
- --env-manager <env_manager>
如果指定，则使用指定的环境管理器为 MLmodel 创建环境。支持以下值：
- local：使用本地环境- virtualenv：使用 virtualenv（以及 pyenv 用于 Python 版本管理）- uv：使用 uv- conda：使用 conda如果未指定，则默认为 virtualenv。
- --install-mlflow
如果指定并且存在要激活的 conda、virtualenv 或 uv 环境，则在激活后将 MLflow 安装到该环境中。安装的 MLflow 版本将与调用此命令的版本相同。
- --enable-mlserver
通过 v2 推理协议启用 MLServer 进行服务。您可以使用环境变量配置 MLServer。（请参阅 https://mlserver.readthedocs.io/en/latest/reference/settings.html）
环境变量
- MLFLOW_PORT
为
--port提供默认值
- MLFLOW_HOST
为
--host提供默认值
- MLFLOW_SCORING_SERVER_REQUEST_TIMEOUT
为
--timeout提供默认值
- MLFLOW_MODELS_WORKERS
为
--workers提供默认值
update-pip-requirements
添加或删除模型 conda.yaml 和 requirements.txt 文件中的要求。如果使用远程跟踪服务器，请确保将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
REQUIREMENT_STRINGS 是 pip 要求说明符的列表。有关示例，请参阅下文。
示例用法
# Add requirements using the model's "runs:/" URI
mlflow models update-pip-requirements -m runs:/<run_id>/<model_path> \
add "pandas==1.0.0" "scikit-learn" "mlflow >= 2.8, != 2.9.0"
# Remove requirements from a local model
mlflow models update-pip-requirements -m /path/to/local/model \
remove "torchvision" "pydantic"
注意，模型注册表 URI（即格式为 `models:/` 的 URI）不受支持，因为模型注册表中的工件旨在只读。也不支持编辑只读工件存储库的要求。
如果添加要求，该函数将覆盖任何现有要求，或者将新要求追加到现有列表中。
如果删除要求，该函数将忽略任何版本说明符，并删除所有指定的包名。任何在现有文件中未找到的要求都将被忽略。
用法
mlflow models update-pip-requirements [OPTIONS] {add|remove}
[REQUIREMENT_STRINGS]...
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
参数
run
从给定的 URI 运行 MLflow 项目。
对于本地运行，运行将阻塞直到完成。否则，项目将异步运行。
如果本地运行（默认），URI 可以是 Git 仓库 URI 或本地路径。如果运行在 Databricks 上，URI 必须是 Git 仓库。
默认情况下，Git 项目将在具有给定参数的新工作目录中运行，而本地项目将从项目的根目录运行。
用法
mlflow run [OPTIONS] URI
选项
- -e, --entry-point <NAME>
项目内的入口点。[默认值: main]。如果找不到入口点，则尝试使用指定的名称作为脚本运行项目文件，使用 'python' 运行 .py 文件，并使用默认 shell（由环境变量 $SHELL 指定）运行 .sh 文件。
- -P, --param-list <NAME=VALUE>
运行的参数，格式为 -P name=value。未包含在入口点参数列表中的提供的参数将作为命令行参数传递给相应的入口点，格式为 `–name value`。
- -A, --docker-args <NAME=VALUE>
`docker run` 参数或标志，格式为 -A name=value（例如 -A gpus=all）或 -A name（例如 -A t）。该参数将作为 `docker run –name value` 或 `docker run –name` 分别传递。
- -b, --backend <BACKEND>
用于运行的执行后端。支持的值：‘local’、‘databricks’、kubernetes（实验性）。默认为 ‘local’。如果针对 Databricks 运行，将针对如下确定的 Databricks 工作区运行：如果设置了格式为 'databricks://profile' 的 Databricks 跟踪 URI（例如，通过设置 MLFLOW_TRACKING_URI 环境变量），将针对 <profile> 指定的工作区运行。否则，将针对默认 Databricks CLI 配置文件指定的工作区运行。有关配置 Databricks CLI 配置文件的更多信息，请参阅 https://github.com/databricks/databricks-cli。
- -c, --backend-config <FILE>
指向 JSON 文件（必须以 '.json' 结尾）或将作为配置传递给后端的 JSON 字符串。实际应提供的内容因执行后端而异，并且在 https://www.mlflow.org/docs/latest/projects.html 中有记录。
- --env-manager <env_manager>
如果指定，则使用指定的环境管理器为 MLproject 创建环境。支持以下值：
- local：使用本地环境- virtualenv：使用 virtualenv（以及 pyenv 用于 Python 版本管理）- uv：使用 uv- conda：使用 conda如果未指定，则根据项目配置自动选择合适的环境管理器。例如，如果 MLproject.yaml 包含 python_env 键，则使用 virtualenv。
- --storage-dir <storage_dir>
仅当
backend为 local 时有效。MLflow 将参数类型为 'path' 的参数从分布式 URI 下载到 storage_dir 的子目录中。
- --build-image
仅适用于 Docker 项目。如果指定，则构建一个基于 MLproject 文件中 `image` 字段的新 Docker 镜像，并包含项目目录中的文件。
- 默认值
False
参数
环境变量
- MLFLOW_EXPERIMENT_NAME
为
--experiment-name提供默认值
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
- MLFLOW_TMP_DIR
为
--storage-dir提供默认值
runs
管理 runs。要管理与跟踪服务器关联的实验的 runs，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow runs [OPTIONS] COMMAND [ARGS]...
create
创建一个新的 MLflow run 并立即以指定的状态结束。
此命令对于以编程方式创建 run 以进行测试、脚本编写或记录已完成的实验非常有用。run 将被创建并立即以指定的状态（FINISHED、FAILED 或 KILLED）关闭。
用法
mlflow runs create [OPTIONS]
选项
- -t, --tags <tags>
用于分类和过滤 runs 的键值对。使用多次可设置多个标签。格式：key=value（例如，env=prod, model=xgboost, version=1.0）。
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
- MLFLOW_EXPERIMENT_NAME
为
--experiment-name提供默认值
delete
标记一个 run 以供删除。如果 run 不存在或已被标记，则返回错误。您可以使用 `restore_run` 恢复已标记的 run，或在后端存储中永久删除 run。
用法
mlflow runs delete [OPTIONS]
选项
link-traces
将跟踪链接到运行。
此命令将一个或多个跟踪链接到一个现有运行。跟踪可以链接到运行，以建立跟踪和运行之间的关系。单次命令最多可以链接 100 个跟踪。
用法
mlflow runs link-traces [OPTIONS]
选项
list
列出已配置的跟踪服务器中指定实验的所有运行。
用法
mlflow runs list [OPTIONS]
选项
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
sagemaker
在 SageMaker 上部署模型。
要部署与跟踪服务器关联的模型，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow sagemaker [OPTIONS] COMMAND [ARGS]...
build-and-push-container
构建新的 MLflow SageMaker 镜像，为其分配名称，并推送到 ECR。
此函数构建一个 MLflow Docker 镜像。该镜像将在本地构建，并且需要 Docker 才能运行。该镜像将推送到当前活动的 AWS 账户和当前活动的 AWS 区域下的 ECR。
用法
mlflow sagemaker build-and-push-container [OPTIONS]
选项
- --install-java <install_java>
如果需要，在镜像中安装 Java。默认值为 None，允许 MLflow 确定安装。需要 Java 的模型（例如 Spark）会自动启用此选项。注意：此选项仅适用于 UBUNTU 基础镜像；Python 基础镜像不支持 Java 安装。
deploy-transform-job
将模型部署到 SageMaker 作为批量转换作业。当前活动的 AWS 账户需要设置正确的权限。
默认情况下，除非指定了 --async 标志，否则此命令将阻塞，直到批量转换作业完成（明确成功或失败）或指定的超时时间过去。
用法
mlflow sagemaker deploy-transform-job [OPTIONS]
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
- -t, --instance-type <instance_type>
执行批量转换作业的 SageMaker ML 实例类型。支持的实例类型列表，请参阅 https://aws.amazon.com/sagemaker/pricing/instance-types/。
- -v, --vpc-config <vpc_config>
包含 JSON 格式 VPC 配置的文件的路径。创建与此应用程序关联的新 SageMaker 模型时将使用此配置。有关更多信息，请参阅 https://docs.aws.amazon.com/sagemaker/latest/dg/API_VpcConfig.html
- -f, --flavor <flavor>
用于部署的 flavor 名称。必须是以下之一：[‘python_function’]。如果未指定，将从模型的可用 flavors 中自动选择一个 flavor。
push-model
将 MLflow 模型推送到 SageMaker 模型注册表。当前活动的 AWS 账户需要设置正确的权限。
用法
mlflow sagemaker push-model [OPTIONS]
选项
- -m, --model-uri <URI>
必需 模型 URI。本地路径、“runs:/”URI 或远程存储 URI（例如，“s3://”URI）。有关模型工件支持的远程 URI 的更多信息，请参阅 https://mlflow.org.cn/docs/latest/tracking.html#artifact-stores。
- -v, --vpc-config <vpc_config>
包含 JSON 格式 VPC 配置的文件的路径。创建新的 SageMaker 模型时将使用此配置。有关更多信息，请参阅 https://docs.aws.amazon.com/sagemaker/latest/dg/API_VpcConfig.html
terminate-transform-job
终止指定的 SageMaker 批量转换作业。除非指定了 --archive，否则与批量转换作业关联的所有 SageMaker 资源也将被删除。
默认情况下，除非指定了 --async 标志，否则此命令将阻塞，直到终止过程完成（明确成功或失败）或指定的超时时间过去。
用法
mlflow sagemaker terminate-transform-job [OPTIONS]
选项
scorers
管理评分器，包括 LLM 评分器。要管理与跟踪服务器关联的评分器，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
用法
mlflow scorers [OPTIONS] COMMAND [ARGS]...
list
列出实验的已注册评分器，或列出所有内置评分器。
# List built-in scorers (table format)
mlflow scorers list --builtin
mlflow scorers list -b
# List built-in scorers (JSON format)
mlflow scorers list --builtin --output json
# List registered scorers in table format (default)
mlflow scorers list --experiment-id 123
# List registered scorers in JSON format
mlflow scorers list --experiment-id 123 --output json
# Using environment variable for experiment ID
export MLFLOW_EXPERIMENT_ID=123
mlflow scorers list
用法
mlflow scorers list [OPTIONS]
选项
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
register-llm-judge
在指定实验中注册一个 LLM 评分器。
此命令使用自然语言指令创建一个 LLM 评分器，并将其注册在实验中以用于评估工作流。指令必须包含至少一个模板变量（{{ inputs }}、{{ outputs }}、{{ expectations }} 或 {{ trace }}），以定义评分器将评估的内容。
# Register a basic quality judge
mlflow scorers register-llm-judge -n quality_judge \
-i "Evaluate if {{ outputs }} answers {{ inputs }}. Return yes or no." -x 123
# Register a judge with custom model
mlflow scorers register-llm-judge -n custom_judge \
-i "Check whether {{ outputs }} is professional and formal. Rate pass, fail, or na" \
-m "openai:/gpt-4" -x 123
# Register a judge with description
mlflow scorers register-llm-judge -n quality_judge \
-i "Evaluate if {{ outputs }} answers {{ inputs }}. Return yes or no." \
-d "Evaluates response quality and relevance" -x 123
# Using environment variable
export MLFLOW_EXPERIMENT_ID=123
mlflow scorers register-llm-judge -n my_judge \
-i "Check whether {{ outputs }} contains PII"
用法
mlflow scorers register-llm-judge [OPTIONS]
选项
- -i, --instructions <instructions>
必需 评估说明。必须包含至少一个模板变量：
{{ inputs }}、{{ outputs }}、{{ expectations }}或{{ trace }}。有关变量的解释，请参阅 make_judge 文档。
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
server
运行 MLflow 跟踪服务器，并附带内置安全中间件。
服务器默认监听 https://:5000，并且只接受来自本地计算机的连接。要让服务器接受来自其他计算机的连接，您需要传递 --host 0.0.0.0 来监听所有网络接口（或特定的接口地址）。
有关 MLflow 跟踪服务器的安全配置的详细文档和指导，请参阅 https://mlflow.org.cn/docs/latest/tracking/server-security.html。
用法
mlflow server [OPTIONS]
选项
- --backend-store-uri <PATH>
持久化实验和运行数据的 URI。可接受的 URI 是 SQLAlchemy 兼容的数据库连接字符串（例如 ‘sqlite:///path/to/file.db’）或本地文件系统 URI（例如 ‘file:///absolute/path/to/directory’）。默认情况下，数据将记录到 ./mlruns 目录。
- --registry-store-uri <URI>
持久化已注册模型的 URI。可接受的 URI 是 SQLAlchemy 兼容的数据库连接字符串（例如 ‘sqlite:///path/to/file.db’）。如果未指定，则使用 backend-store-uri。
- --default-artifact-root <URI>
存储新创建的实验的工件的目录。对于依赖于 SQL 的跟踪服务器后端，需要此选项才能存储工件。请注意，此标志不会影响已创建的具有 MLflow 服务器实例任何先前配置的实验。默认情况下，如果启用了 –serve-artifacts 选项，数据将记录到 mlflow-artifacts:/ uri 代理。否则，默认位置将是 ./mlruns。
- --serve-artifacts, --no-serve-artifacts
通过代理直接将请求路由到指定的存储位置，从而启用对工件上传、下载和列表请求的服务。请求服务的默认位置是本地的 './mlartifacts' 目录，可以通过 '--artifacts-destination' 参数覆盖。要禁用工件服务，请指定 –no-serve-artifacts。默认值：True
- --artifacts-only
如果指定，将配置 MLflow 服务器仅用于代理的工件服务。启用此模式后，MLflow 跟踪服务的功能（例如，运行创建、指标日志记录和参数日志记录）将被禁用。服务器将仅公开用于上传、下载和列出工件的端点。默认值：False
- --artifacts-destination <URI>
用于解析工件上传/下载/列表请求的基本工件位置（例如 's3://my-bucket'）。默认为本地的 './mlartifacts' 目录。此选项仅在跟踪服务器配置为流式传输工件且实验的工件根目录位置为 http 或 mlflow-artifacts URI 时适用。
- -h, --host <HOST>
用于绑定服务器的网络接口（默认值：127.0.0.1）。这控制哪些网络接口接受连接。使用 '127.0.0.1' 进行本地访问，或使用 '0.0.0.0' 允许来自任何网络的连接。注意：这不是安全设置 - 它仅控制网络绑定。要限制哪些客户端可以连接，请使用 --allowed-hosts。
- --allowed-hosts <allowed_hosts>
逗号分隔的允许的 Host 头列表，以防止 DNS 重绑定攻击（默认值：localhost + 私有 IP）。DNS 重绑定允许攻击者欺骗您的浏览器访问内部服务。示例：‘mlflow.company.com,10.0.0.100:5000’。支持通配符：‘mlflow.company.com,192.168.*,app-*.internal.com’。使用 ‘*’ 允许所有主机（不推荐在生产环境中使用）。默认允许：localhost（所有端口）、私有 IP（10.*、192.168.*、172.16-31.*）。当将 MLflow 暴露到 localhost 之外时，设置此项以防止主机头攻击。
- --cors-allowed-origins <cors_allowed_origins>
允许的 CORS 源的逗号分隔列表，用于防止跨站点请求攻击（默认值：任何端口上的 localhost 源）。CORS 攻击允许恶意网站使用您的凭据向您的 MLflow 服务器发起请求。示例：“https://app.company.com,https://notebook.company.com”。默认允许：https://:*（任何端口）、http://127.0.0.1:，http://[::1]:。当您有不同域上的 Web 应用程序需要访问 MLflow 时，请设置此项。使用 '*' 允许所有源（危险 - 仅用于开发！）。
- --disable-security-middleware
危险：禁用所有安全中间件，包括 CORS 保护和主机验证。这将完全移除安全保护，应仅用于测试。禁用后，您的 MLflow 服务器容易受到 CORS 攻击、DNS 重新绑定和点击劫持的攻击。相反，请优先使用 –cors-allowed-origins 和 –allowed-hosts 配置特定的安全设置。
- --x-frame-options <x_frame_options>
用于点击劫持防护的 X-Frame-Options 标头值。选项：“SAMEORIGIN”（默认值 - 仅允许从同一源嵌入）、“DENY”（阻止所有嵌入）、“NONE”（禁用标头 - 允许从任何地方嵌入）。如果您需要将 MLflow UI 嵌入到不同源的 iframe 中，请设置为“NONE”。
- --expose-prometheus <expose_prometheus>
存储指标的目录路径。如果目录不存在，则会创建它。激活 prometheus exporter 以在 /metrics 端点公开指标。
- --dev
如果启用，则使用调试日志记录和自动重载运行服务器。仅应用于开发目的。不能与“–gunicorn-opts”或“–uvicorn-opts”一起使用。在 Windows 上不受支持。
- 默认值
False
- --secrets-cache-ttl <secrets_cache_ttl>
服务器端密钥缓存的生存时间（秒）。控制解密后的密钥在内存中缓存多长时间（使用 AES-GCM-256 加密）。较低的值（10-30 秒）更安全，但会影响性能。较高的值（120-300 秒）会提高性能，但会增加暴露窗口。范围：10-300 秒。
- 默认值
60
- --secrets-cache-max-size <secrets_cache_max_size>
服务器端密钥缓存的最大条目数。超过此数量时，将逐出最近最少使用的条目。范围：1-10000 个条目。
- 默认值
1000
环境变量
- MLFLOW_BACKEND_STORE_URI
为
--backend-store-uri提供默认值
- MLFLOW_REGISTRY_STORE_URI
为
--registry-store-uri提供默认值
- MLFLOW_DEFAULT_ARTIFACT_ROOT
为
--default-artifact-root提供默认值
- MLFLOW_SERVE_ARTIFACTS
为
--serve-artifacts提供默认值
- MLFLOW_ARTIFACTS_ONLY
为
--artifacts-only提供默认值
- MLFLOW_ARTIFACTS_DESTINATION
为
--artifacts-destination提供默认值
- MLFLOW_HOST
为
--host提供默认值
- MLFLOW_PORT
为
--port提供默认值
- MLFLOW_WORKERS
为
--workers提供默认值
- MLFLOW_SERVER_ALLOWED_HOSTS
为
--allowed-hosts提供默认值
- MLFLOW_SERVER_CORS_ALLOWED_ORIGINS
为
--cors-allowed-origins提供默认值
- MLFLOW_SERVER_DISABLE_SECURITY_MIDDLEWARE
为
--disable-security-middleware提供默认值
- MLFLOW_SERVER_X_FRAME_OPTIONS
为
--x-frame-options提供默认值
- MLFLOW_STATIC_PREFIX
为
--static-prefix提供默认值
- MLFLOW_GUNICORN_OPTS
为
--gunicorn-opts提供默认值
- MLFLOW_UVICORN_OPTS
为
--uvicorn-opts提供默认值
- MLFLOW_EXPOSE_PROMETHEUS
为
--expose-prometheus提供默认值
trace
管理 trace。要管理与跟踪服务器关联的 trace，请将 MLFLOW_TRACKING_URI 环境变量设置为所需服务器的 URL。
TRACE SCHEMA: info.trace_id # 唯一的 trace 标识符 info.experiment_id # MLflow 实验 ID info.request_time # 请求时间戳（毫秒） info.execution_duration # 总执行时间（毫秒） info.state # Trace 状态：OK、ERROR 等。 info.client_request_id # 可选的客户端提供的请求 ID info.request_preview # 截断的请求预览 info.response_preview # 截断的响应预览 info.trace_metadata.mlflow.* # MLflow 特定元数据 info.trace_metadata.* # 自定义元数据字段 info.tags.mlflow.traceName # Trace 名称标签 info.tags.<key> # 自定义标签 info.assessments.*.assessment_id # 评估标识符 info.assessments.*.feedback.name # 反馈名称 info.assessments.*.feedback.value # 反馈分数/值 info.assessments.*.feedback.rationale # 反馈解释 info.assessments.*.expectation.name # 真实标签名称 info.assessments.*.expectation.value # 预期值 info.assessments.*.source.source_type # HUMAN、LLM_JUDGE、CODE info.assessments.*.source.source_id # 源标识符 info.token_usage # Token 使用量（属性，无法通过字段搜索） data.spans.*.span_id # 单个 span ID data.spans.*.name # Span 操作名称 data.spans.*.parent_id # 父 span 关系 data.spans.*.start_time # Span 开始时间戳 data.spans.*.end_time # Span 结束时间戳 data.spans.*.status_code # Span 状态码 data.spans.*.attributes.mlflow.spanType # AGENT、TOOL、LLM 等。 data.spans.*.attributes.<key> # 自定义 span 属性 data.spans.*.events.*.name # 事件名称 data.spans.*.events.*.timestamp # 事件时间戳 data.spans.*.events.*.attributes.<key> # 事件属性
更多详情，请参阅：https://mlflow.org.cn/docs/latest/genai/tracing/concepts/trace/#traceinfo-metadata-and-context
用法
mlflow traces [OPTIONS] COMMAND [ARGS]...
delete
删除实验中的 trace。
可以指定 –trace-ids 或时间戳标准，但不能同时指定。
用法
mlflow traces delete [OPTIONS]
选项
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
delete-assessment
从 trace 中删除一个评估。
用法
mlflow traces delete-assessment [OPTIONS]
选项
delete-tag
从 trace 中删除一个标签。
用法
mlflow traces delete-tag [OPTIONS]
选项
evaluate
使用指定的评分器评估一个或多个 trace，并显示结果。
此命令运行 MLflow 的 genai.evaluate()，对指定的 trace 应用指定的评分器，并以表格或 JSON 格式显示评估结果。
用法
mlflow traces evaluate [OPTIONS]
选项
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
get
所有 trace 详细信息将以 JSON 格式打印到标准输出。
用法
mlflow traces get [OPTIONS]
选项
get-assessment
以 JSON 格式获取评估详细信息。
用法
mlflow traces get-assessment [OPTIONS]
选项
log-expectation
将期望（真实标签）记录到 trace 中。
用法
mlflow traces log-expectation [OPTIONS]
选项
log-feedback
将反馈（评估分数）记录到 trace 中。
用法
mlflow traces log-feedback [OPTIONS]
选项
search
在指定实验中搜索 trace。
示例
用法
mlflow traces search [OPTIONS]
选项
- --filter-string <filter_string>
用于 trace 搜索的 filter string。
示例：- 按 run ID 过滤：“run_id = ‘123abc’” - 按状态过滤：“status = ‘OK’” - 按时间戳过滤：“timestamp_ms > 1700000000000” - 按元数据过滤：“metadata.`mlflow.modelId` = ‘model123’” - 按标签过滤：“tags.environment = ‘production’” - 多个条件：“run_id = ‘123’ AND status = ‘OK’”
可用字段：- run_id：关联的 MLflow run ID - status：Trace 状态（OK、ERROR 等） - timestamp_ms：Trace 时间戳（毫秒） - execution_time_ms：Trace 执行时间（毫秒） - name：Trace 名称 - metadata.<key>：自定义元数据字段（对于带点的键使用反引号） - tags.<key>：自定义标签字段
- --sql-warehouse-id <sql_warehouse_id>
已弃用。请改用 MLFLOW_TRACING_SQL_WAREHOUSE_ID 环境变量。SQL warehouse ID（仅在按 Databricks Unity Catalog 中存储的模型搜索 trace 时需要）
- --extract-fields <extract_fields>
使用点表示法过滤和选择特定字段。示例：“info.trace_id”、“info.assessments.*”、“data.spans.*.name”。对于带有点的字段名，请使用反引号：`info.tags.`mlflow.traceName``。多个字段用逗号分隔。默认情况下，表格模式为标准列，JSON 模式为所有字段。
环境变量
- MLFLOW_EXPERIMENT_ID
为
--experiment-id提供默认值
set-tag
在 trace 上设置一个标签。
用法
mlflow traces set-tag [OPTIONS]
选项
update-assessment
更新现有评估。
注意：评估名称一旦设置，就无法更改。只能更新值、理由和元数据。
用法
mlflow traces update-assessment [OPTIONS]
选项