用途：为 PyMC 实验提供 MLflow 追踪，记录一次拟合是如何产生的、保留推断输出，并在不改变使用方建模环境的前提下取回结果。技能名为 pymc-mlflow，可选集成模块是 pymc_marketing.mlflow，不是单独的 pymc-mlflow 包。
主要能力：设置 tracking URI 与项目实验，记录来源/数据标识、包版本、随机种子和实际采样器配置；用一致的小写标签区分探索性、可报告和 mock 运行，标签只描述来源，不代表推断质量。在显式 run 中拟合，用 with mlflow.start_run(): 使异常标记为失败运行；在昂贵计算前记录配置。持久化真实推断：先保存本地原始 DataTree，再计算诊断或做增强；通用 autolog() 不保存 idata.nc，需显式序列化上传或调用 log_inference_data。记录诊断而非安慰性摘要，保留链标识与实际抽样；缺失或非有限诊断是未解决，不是零。取回时通过 MLflow 下载产物到本地路径，重新打开 DataTree 并检查组、坐标和必需变量。比较时只对相同响应尺度、观测和验证目标比较预测分数，并报告不确定性与 Pareto-k 警告。
使用方式：普通 PyMC 模型可直接用 MLflow 手动追踪；需要自动记录或追踪 CLV 拟合时使用 PyMC-Marketing 的 autologging；保存/恢复 MMM 模型或记录预测包装器时参考 MMM 持久化与注册表准备。示例面向 PyMC 6/DataTree 与现代 ArviZ。PyMC-Marketing 1.2.0 要求 PyMC >=6.3.1,<6.4.0 与 ArviZ >=1.2.0,<2.0；MLflow 为单独可选安装。启用集成前先检查已安装版本与签名，不要为使用 autologging 而降级或替换可用的建模环境。
限制：追踪与部署要区分开。后验 NetCDF 是推断输出，不是可执行的通用 PyMC 模型、预处理管线或预测端点。PyMC-Marketing 支持原生模型恢复；MMM 另有 MLflow 预测包装器，但 1.2.0 内置的点/后验预测路径在不受支持的 original_scale 参数上会失败，应使用文档中的原生恢复路径，不要声称该包装器可用于服务。CLV 追踪没有等价的 CLV 服务包装器。runs:/ URI 指向运行产物，models:/ URI 指向已注册模型，记录或注册都不等于部署服务。避免工作流污染：不要把 pm.sample 全局替换为 mock_sample，mock 输出是先生成的基建数据而非后验推断，可能没有采样器统计量；测试补丁要限定作用域并恢复原可调用对象。autologging 每进程只启用一次。追踪数据库、后验文件和原始数据不要纳入版本控制，产物与自动记录的数据集输入可能含观测值、预测变量和可识别坐标，需使用授权存储与访问控制，不要上传凭据或未批准数据。模型构建与预测用 pymc-modeling，收敛、PPC 与 LOO 解释用 arviz-diagnostics；本技能只记录这些工作流，不替代它们。