用途：把任意 ML 代码库（包括完全没有实验追踪、或充满 MLflow 2 时代写法的项目）迁移到生产级开源 MLflow 3 部署，覆盖完整 MLOps 周期。
主要能力：按 0 评估 → 1 领域建模 → 2 环境追踪 → 3 埋点 → 4 评估门控晋级 → 5 服务 → 6 运维 的顺序推进。阶段 0 运行 scripts/00-assess.sh <codebase>（只读）生成 mlflow-assessment.md；阶段 1 访谈并定义注册表命名、别名与门控；阶段 2 用 scripts/scaffold-dev-tracking.sh 搭建各环境追踪，填写 config.json（各环境 tracking URI、注册表命名空间、模型名、服务 URL）；阶段 3 按姊妹 mlflow-3 规则包重构训练代码；阶段 4 用评估门控、标签、copy_model_version 与别名切换搭建晋级流程；阶段 5 用 mlflow.models.predict、serve/build-docker 并冒烟测试 /invocations；阶段 6 处理重训、挑战者评估与维护。阶段 2–5 后运行 scripts/verify.sh 做验证。
使用方式：要求 Python ≥ 3.10 且 mlflow==3.15.1，需 bash、curl、jq、uv、Docker + docker-compose，staging/prod 需 PostgreSQL/MySQL 与 S3/GCS/Azure。脚本幂等，但晋级中的 copy_model_version 例外，需按 references/promotion.md 恢复。
限制：不适用于单个 API 问题，应直接查阅相关 mlflow-3 规则。写操作风险高：启动/替换追踪服务器、重写训练入口、切换 prod @champion 别名、暴露非 localhost 服务端点前须确认。mlflow gc 与 mlflow db upgrade 为破坏性命令，hooks/hooks.json 的 PreToolUse 钩子仅在设置 MLFLOW_MAINTENANCE_ACK=yes 时放行。未提供定价、平台或效果保证。