用途：MLflow 是开源平台，用于管理机器学习端到端生命周期，包括实验跟踪、模型注册表、制品存储以及 LLM 追踪与评估。本技能在需要跟踪 ML 指标、为模型做版本管理、评估 LLM/RAG 与提示词、或统一打包部署模型时使用。
主要能力：实验跟踪与自动日志，可记录参数、指标、代码版本与制品，并支持 sklearn、PyTorch、TensorFlow、LightGBM、XGBoost 等框架的 autolog；模型注册与治理，管理模型生命周期阶段（Staging、Production、Archived）及血缘，MLflow 2.x 推荐使用别名（如 @champion、@challenger）；LLM 评估与提示工程，通过 mlflow.evaluate 评估 LLM、RAG 应用与提示词；统一模型部署，将模型打包为自包含 flavor（Python 函数、PyTorch、ONNX）以便一键部署。
使用方式：设置实验与跟踪 URI，例如 mlflow.set_tracking_uri("http://localhost:5000")、mlflow.set_experiment("iris_classification_prod")；在 with mlflow.start_run() 上下文中调用 mlflow.log_param、mlflow.log_metric、mlflow.sklearn.log_model 等记录内容；启用 mlflow.autolog() 或 mlflow.sklearn.autolog(log_model_signatures=True) 自动记录；用 mlflow.register_model 注册模型，再用 MlflowClient.set_registered_model_alias 设置别名，通过 mlflow.pyfunc.load_model("models:/名称@champion") 加载；用 mlflow.evaluate 传入含 inputs、ground_truth、predictions 的数据框进行评估。
适用场景：机器学习实验对比与复现、模型版本与上线治理、LLM/RAG 效果基准测试、跨框架模型统一打包部署。
限制与注意事项：建议使用 MLflow 2.15+ 及模型别名而非旧版阶段转换；应记录模型签名以在部署时校验输入输出结构；不要在制品中直接存大型训练数据集，改为记录数据集哈希与 S3 URI；生产或团队协作环境不要使用本地文件系统跟踪 URI，也不要硬编码跟踪 URI，应通过环境变量 MLFLOW_TRACKING_URI 配置；需定期备份后端存储（PostgreSQL）与制品仓库（S3/GCS）。常见问题包括实验 ID 找不到（跟踪 URI 不匹配）、制品传输失败（S3/GCS 权限缺失）、模型加载时 schema 校验错误（列与签名不一致）。具体安装命令与更多细节暂未提供。