返回 AI 工具目录
MLflow
开发框架人工精选最近核验 2026年7月23日
MLflow 是一个开源的 AI/ML 工程平台,覆盖从传统机器学习到大模型、Agent 应用的完整生命周期。经典能力包括实验追踪、模型注册表与部署;近年扩展出面向 LLM 与 Agent 的能力:基于 OpenTelemetry 的链路追踪、内置多种指标与 LLM 裁判的评估、Prompt 版本管理与优化,以及统一多家模型供应商、带限流与成本控制的 AI Gateway。它与 LangChain、OpenAI、Anthropic 等数十种框架集成,可本地运行,也可用 Docker/Kubernetes 自托管或对接 Databricks、SageMaker、Azure ML。采用 Apache 2.0 许可,适合统一管理模型训练、评估与线上可观测的团队。
定价开源部署本地运行、自托管国内可达国内可达许可Apache-2.0
解决什么问题
- 统一记录实验的参数、指标与产物,便于复现与对比
- 用模型注册表管理版本、阶段流转与上线
- 为 LLM/Agent 应用提供调用链追踪与线上可观测
- 内置指标与 LLM 裁判,批量评估输出质量
- 通过 AI Gateway 统一多家模型接入、限流与成本控制
适合
- 需要把 ML 实验与模型版本沉淀成可追溯记录的团队
- 已有多模型、多框架、想统一可观测与评估的 AI 应用
- 倾向自托管、避免数据出域的机器学习平台需求
- 从传统 ML 向 LLM/Agent 扩展、想复用同一套工具链
不适合
- 只想要开箱即用托管服务的团队需自行运维部署
- 非常轻量的单脚本项目引入平台会显偏重
- 企业级权限等深度托管能力多在 Databricks 商业版
- 不提供模型训练算力,需自备计算与存储资源
如何接入
- Python 为主,另有 TypeScript、Java、R 客户端
- 集成 LangChain、OpenAI、Anthropic、Bedrock 等数十种框架
- 追踪基于 OpenTelemetry,便于对接现有观测体系
- 可本地运行,或 Docker/Kubernetes/云平台自托管
已知限制
- 自托管需自行维护追踪服务、存储与数据库
- 部分高级评估与治理能力仍在快速演进
- 大规模追踪数据的存储与查询成本需自行规划
- 官网与 PyPI 国内一般可达,安装建议配镜像
接入与使用事实
- 部署方式
- 本地运行、自托管
- 实现语言
- Python、TypeScript、Java、R
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- Apache-2.0
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
- 代码仓库仅作事实索引