用途：本技能用于机器学习实验追踪、模型注册表管理与模型部署，触发词包括 mlflow、experiment tracking、model registry、mlops、model versioning。
主要能力：依赖 mlflow 2.10+、mlflow-skinny 2.10+（仅客户端）、boto3 1.34+（S3 制品）、psycopg2 2.9+（PostgreSQL 后端）。提供 docker-compose 配置，以 ghcr.io/mlflow/mlflow:v2.10.0 镜像启动服务，端口 5000，后端为 PostgreSQL，默认制品根为 S3；客户端通过 mlflow.set_tracking_uri 与 set_experiment 配置，支持 sklearn 与 pytorch autolog。可记录标签、参数、指标，使用 infer_signature 记录模型签名并以 registered_model_name 注册模型，记录混淆矩阵等制品。支持 PyTorch Lightning 的 MLFlowLogger，配合 ModelCheckpoint 与 EarlyStopping。模型注册表方面，可注册模型、更新描述、设置版本标签、在 Staging/Production/Archived 阶段间流转、归档旧版本、获取指定阶段版本；加载支持 models:/名称/阶段 与 models:/名称/版本 两种 URI，并提供按版本号缓存的加载器。可对比实验运行（按指标排序、取最佳运行）。部署支持 mlflow models serve 启动 REST 服务，mlflow models build-docker 构建镜像，并以 curl 调用 /invocations 接口。
使用方式：先搭建或连接追踪服务，再在训练代码中设置追踪 URI 与实验，记录参数、指标与模型，注册并提升模型阶段，最后加载模型或服务化。
适用场景：ML 实验记录、模型版本管理、模型对比、模型服务部署。
限制：资料未提供具体收费、价格与平台支持信息；代码中的环境变量、路径与端口需按实际环境调整。