用途：MLflow 是开源机器学习生命周期管理平台，用于跟踪实验、打包模型并部署，帮助标准化工作流以提升可复现性与协作。适合管理多个 ML 实验、比较模型或部署到生产，常见于 MLOps 流水线、Jupyter 超参数调优及 AWS、Azure 等云环境。
主要能力：实验跟踪记录每次运行的指标、参数与产物；模型打包为 MLmodel 等标准格式便于共享；模型部署为 REST API 或集成 Kubernetes；提供 Web UI 可视化与 Python API 编程访问；产物存储支持 S3、Azure Blob 或本地文件。
使用方式：先初始化跟踪服务器或使用本地后端，并设置跟踪 URI。CLI 示例：启动服务器 mlflow server --host 0.0.0.0 --port 5000；运行实验 mlflow run . -e main --experiment-name my_exp；部署模型 mlflow models serve -m models:/MyModel/1 -p 5001。Python API 示例：import mlflow；mlflow.set_tracking_uri("http://localhost:5000")；with mlflow.start_run(): mlflow.log_param("alpha", 0.1)；mlflow.log_metric("accuracy", 0.95)；mlflow.log_artifact("model.pkl")；mlflow.sklearn.log_model(sk_model, "model")；mlflow.register_model("runs:/<run_id>/model", "MyModel")。项目配置可用 YAML 定义 entry_points 与参数。安全服务器需设置 MLFLOW_TRACKING_USERNAME、MLFLOW_TRACKING_PASSWORD 等环境变量。
集成与限制：可与 Scikit-learn、TensorFlow、PyTorch 通过 autolog 集成；S3 兼容存储可设 MLFLOW_S3_ENDPOINT_URL；与 Airflow 可通过 API 触发运行。需注意跟踪 URI 不可达或模型格式无效等错误，可捕获 MlflowException，CLI 用 --verbose 调试，产物上传失败时检查存储权限或改用 sqlite:///mlflow.db 等后端。具体收费、价格与平台支持范围暂未提供。