用途：在 Python 项目中搭建并运行 MLflow，做机器学习实验跟踪（参数、指标、产物）、模型注册表，以及 MLflow 2.14+ 的 LLM 调用追踪；适用于需要在 UI 中对比 run、做框架自动记录、自建跟踪服务器或带别名做模型版本晋升的场景。不适用于需要数据版本化的可复现流水线（改用 dvc-ml-workflow）、专门使用 Weights & Biases、Databricks 托管 MLflow，或无需 UI 的一次性运行。
部署模式需先选定：文件模式 file:./mlruns（临时运行，不支持模型注册表，register_model 会报错）；SQLite+mlflow ui（推荐个人使用，sqlite:///mlflow.db）；Docker Compose 栈（推荐团队/生产，http://host:8000，PostgreSQL + MinIO）；Databricks 托管超出范围。
主要能力：手动或自动记录（mlflow.autolog、mlflow.sklearn.autolog、mlflow.pytorch.autolog、mlflow.transformers.autolog 等）；用 mlflow.search_runs 以 pandas DataFrame 查询并排序 run；模型注册与别名（set_registered_model_alias、models:/my-model@Champion）；LLM 追踪（mlflow.openai.autolog 及 anthropic、langchain、llama_index、dspy、autogen、crewai、litellm，或 @mlflow.trace 手动 span）在 UI 的 Traces 标签查看；可用 mlflow-widgets 在 marimo/Jupyter 中做实时图表。
用法要点：设 mlflow.set_tracking_uri("sqlite:///mlflow.db") 或 "http://localhost:8000"，子进程/CI 用 export MLFLOW_TRACKING_URI。SQLite 初始化：bash skills/local/mlflow-tracking/scripts/init-mlflow-sqlite.sh；服务器：bash skills/local/mlflow-tracking/scripts/start-mlflow-server.sh --target-dir infra/mlflow；查看：mlflow ui --backend-store-uri sqlite:///mlflow.db --port 5001；终端 tail-runs.sh 支持 --experiment、--top-n、--sort-by、--format。
限制与注意：mlflow ui 不会自动读取 SQLite，必须显式传 --backend-store-uri，否则界面为空；set_tracking_uri() 仅进程内有效；autolog 必须在 start_run() 前调用；模型注册表需数据库后端；macOS 5000 端口可能被 AirPlay Receiver 占用（脚本用 5001/8000）；用 S3/MinIO 产物时客户端环境需设 AWS_ACCESS_KEY_ID / AWS_SECRET_ACCESS_KEY；SQLite 并发写入会锁库，多训练进程需迁移到 PostgreSQL；Stages 在 MLflow ≥ 2.9 已弃用，改用别名；run 名不唯一，程序化使用 run_id；MLFLOW_REGISTRY_URI 通常无需设置。MLflow 约每 4–6 周发版，LLM 追踪变动快，版本相关问题请先查阅官方文档：https://mlflow.org/docs/latest/tracking.html、https://mlflow.org/docs/latest/model-registry.html、https://mlflow.org/docs/latest/llms/tracing/index.html、https://mlflow.org/docs/latest/tracking/autolog.html。