MLflow：面向 LLM、Agent 和模型的 AI 工程平台

MLflow 是目前最大的开源 AI 工程平台，专为 Agent、LLM 和机器学习模型而设计。MLflow 使各种规模的团队能够调试、评估、监控和优化生产级的 AI 应用，同时控制成本并管理模型和数据的访问。凭借每月超过 3000 万次的下载量，数以千计的机构每天都依赖 MLflow 来自信地将 AI 投入生产。

MLflow 为 Agent 和 LLM 应用提供了全面的功能集，包括生产级的可观测性、评估、提示词管理、用于管理成本和模型访问的 AI 网关 (AI Gateway) 等。了解更多信息，请访问面向 LLM 和 Agent 的 MLflow。

对于机器学习 (ML) 模型开发，MLflow 提供了实验追踪、模型评估功能、生产模型注册中心以及模型部署工具。

MLflow 机器学习模型入门

本页面介绍了 MLflow 用于传统机器学习和深度学习的工具：ML 实验追踪、模型版本控制、模型部署和模型评估。如果您正在构建 Agent 和 LLM 应用，请参阅面向 LLM 和 Agent 的 MLflow。

如果您是第一次探索用于 MLOps 的 MLflow，这里的教程和指南将是您的绝佳起点。

快速入门

通过训练一个简单的 scikit-learn 模型来学习 MLOps 中 MLflow 基础知识的快速指南

开始学习 →

面向 Agent 与 LLM 的 MLflow

MLflow 在 Agent 和 LLM 方面的功能概述，包括追踪、评估和提示词管理

开始构建 →

深度学习指南

关于如何使用 MLflow for ML 追踪 PyTorch 深度学习模型训练的实操教程

开始训练 →

MLflow 机器学习模型：核心功能

MLflow for ML Models 为传统的机器学习和深度学习工作流提供了全面支持。从实验追踪和模型版本控制到部署和监控，MLflow 简化了机器学习生命周期的每一个环节。无论您是在处理 scikit-learn 模型、训练深度神经网络，还是在管理复杂的机器学习流水线，MLflow 都能为您提供构建可靠、可扩展的机器学习系统所需的工具。

探索下方 MLflow 的机器学习功能和集成，以提升您的 ML 开发工作流！

追踪与实验
模型注册表
模型部署
ML 库集成
模型评估

追踪实验并管理您的 ML 开发

核心功能

MLflow Tracking 提供全面的实验日志记录、参数追踪、指标可视化和工件 (Artifact) 管理。

主要优势

实验组织：追踪和比较多个模型实验
指标可视化：用于模型性能分析的内置绘图和图表
工件存储：随每次运行存储模型、图表及其他文件
协作：在团队间共享实验和结果

指南

追踪入门

高级追踪功能

流行库的自动记录 (Autologging)

MLflow Tracking

在任何地方运行 MLflow 机器学习模型

MLflow 可用于多种环境，包括本地环境、本地部署集群、云平台和托管服务。作为一个开源平台，MLflow 是供应商中立的；无论您是在构建 AI Agent、LLM 应用还是 ML 模型，您都可以使用 MLflow 的核心功能——追踪、评估、实验管理、部署等。

MLflow：面向 LLM、Agent 和模型的 AI 工程平台

MLflow 机器学习模型入门