Hamilton Integrations 是面向 Apache Hamilton 的集成模式文档，说明如何把 Hamilton 的数据流定义接入编排、服务、可视化与实验管理工具。资料将 Hamilton 定位为专注于数据流定义的部分，把调度、服务、界面等职责交给外部工具。
用途与集成对象
资料列出的集成对象包括：编排器（Airflow、Dagster、Prefect），用于调度与监控；Web 框架（FastAPI、Flask），用于提供预测服务；仪表盘（Streamlit、Plotly Dash），用于交互式可视化；笔记本（Jupyter），用于交互式开发；实验追踪（MLflow、Weights & Biases），用于记录实验；以及 dbt、Kedro 等数据工具。
主要能力与示例
Airflow：在 PythonOperator 中创建 driver.Driver 并执行 Hamilton DAG，将 Airflow 执行日期、run_id 作为 inputs 传入，结果通过 XCom 推送给下游任务；文档还展示在一个 DAG 中串联数据摄取、特征工程、模型训练三个 Hamilton 管线。
Dagster：用 @asset 装饰器把 Hamilton DAG 包装为资产，在 AssetExecutionContext 中记录日志，下游资产通过 deps 依赖其输出。
FastAPI：启动时初始化一次 driver，使用 Pydantic 定义请求与响应模型，在 /predict 端点调用 execute 并返回预测与置信度，另提供 /health 健康检查；文档还给出 async_driver.Builder 的异步写法。
Flask：在应用级创建 driver，通过 /api/process POST 端点执行 DAG 并返回 JSON，附带健康检查路由。
Streamlit：用侧边栏控件收集日期范围、指标与分群等输入，点击按钮后执行 Hamilton DAG，用 line_chart、bar_chart、dataframe 展示结果，并通过 visualize_execution 生成并显示管线图。
Jupyter：可加载 hamilton.plugins.jupyter_magic 扩展，用 %%cell_to_module 把单元格定义为模块并自动显示 DAG 可视化；也可直接将当前模块传入 driver.Driver 后执行与可视化。
MLflow：使用 hamilton.plugins.mlflow_extensions 中的 MLFlowTracker 作为适配器，配合 driver.Builder 的 with_config、with_modules、with_adapters 构建带追踪的 driver，并记录指标与参数。
Weights & Biases：用 wandb.init 初始化，将配置传给 driver.Driver，执行后通过 wandb.log 记录验证指标。
dbt 与 Kedro：文档展示在 dbt run 之后用 Hamilton 读取输出继续分析，以及把 Hamilton 执行封装为 Kedro 节点并组成 Pipeline。
使用方式与实践建议
资料给出的建议包括：Web 服务中只初始化一次 driver 并在请求间复用；分离关注点，由编排器负责调度、Hamilton 负责数据流；I/O 密集场景使用 FastAPI 搭配异步 Hamilton；生产集成中加入 HamiltonTracker；暴露健康检查端点；用 try/except 包裹执行；将环境相关配置传入 Hamilton。文档末尾附有按场景选择工具的对照表，并提示核心模式参考 /hamilton-core、可观测性参考 /hamilton-observability，示例位于 github.com/apache/hamilton/tree/main/examples。
适用场景与限制
适用于需要将 Hamilton 数据流接入调度、API 服务、交互面板、笔记本开发或实验追踪的工程场景。资料未提供安装步骤、版本要求、性能数据、收费信息及各类集成的兼容性限制，相关细节暂未提供。