MLOps（机器学习运维）是把 DevOps 实践引入机器学习生命周期的工程方法论，覆盖数据准备、模型训练、评估、部署、监控与迭代的全流程自动化，解决「模型能训练但难上线、上线后难维护」的问题，是大模型时代 AI 工程化的关键。
AI Glossary
MLOps（Machine Learning Operations，机器学习运维）是把 DevOps 的工程实践（版本控制、自动化、CI/CD、监控）引入机器学习生命周期的理念与方法论，目标是让机器学习系统「可重复、可自动化、可监控」，从实验到生产稳定落地。
传统软件工程有成熟的开发-测试-发布流程，而机器学习多了一条「数据-训练-评估」链路，复杂度更高：模型依赖数据质量、训练结果不稳定、上线后随数据分布漂移而退化。MLOps 就是为这条新链路建立工程纪律。
一是「能训练难上线」：模型在笔记本上效果不错，但部署到生产环境要考虑推理性能、特征对齐、依赖管理，MLOps 提供标准化的打包与发布流程。
二是「上线后难维护」：真实数据分布会随时间变化（概念漂移、数据漂移），模型效果会悄悄下降，MLOps 建立监控与告警，及时发现并触发重训。
三是「不可复现」：训练数据、代码、参数若不受控，实验结果无法复现，MLOps 用版本管理（数据版本、模型版本、代码版本）保证可追溯。
四是「协作混乱」：数据工程师、算法工程师、运维工程师各管一段，MLOps 提供统一平台与流程，减少交接摩擦。
数据管理：数据版本化、特征存储（Feature Store）、数据质量校验，保证训练与推理用一致的管道。
模型训练与实验：实验跟踪（参数、指标、产物）、超参调优、模型注册，把「试过什么」记录下来。
CI/CD 与部署：训练流水线自动化（Pipeline）、模型打包、灰度发布与 A/B 测试，让上线可回滚、可观测。
监控与运维：推理延迟与资源监控、数据漂移与模型效果监控、告警与自动重训（Auto-Retrain），维持线上模型健康。
开源组件：MLflow（实验跟踪与模型管理）、Kubeflow（Kubernetes 上的训练与部署）、Airflow（流水线调度）、Prometheus（监控）。
厂商平台：阿里云 PAI、百度千帆、AWS SageMaker、Google Vertex AI 等提供一站式 MLOps 服务，降低自建成本。
大模型时代的演进：提示词与模型微调纳入版本管理，LLM 的可观测性（成本、延迟、幻觉率）成为 MLOps 的新内容，出现了 LLMOps 概念。
企业 AI 平台：多团队共享数据与模型资产，标准化交付。
高频迭代业务：推荐、风控、广告模型需要频繁更新，靠 MLOps 支撑节奏。
合规要求：金融、医疗等领域的模型上线需审计与可解释，MLOps 提供记录与审批。
大模型应用：模型微调版本、Prompt 配置、成本监控纳入工程化，保障 LLM 应用稳定。
一是「模型漂移」是常态：数据一变模型就退，监控阈值与重训策略需要长期打磨。
二是成本与复杂度：完整 MLOps 平台建设成本高，小团队宜先引入轻量组件（实验跟踪 + 模型注册）再逐步扩展。
三是「人」的问题：MLOps 需要数据、算法、运维三方协作，组织流程与平台同等重要。
MLOps 是把机器学习从「实验」推向「产品」的工程方法论：训练是创造，上线与维护才是长期战争。理解数据版本化、模型注册、监控与重训这条主线，就抓住了 MLOps 的核心。对个人开发者，至少应养成「实验可复现、模型可追溯」的习惯；对团队与企业，MLOps 平台是规模化落地 AI 的必经之路。
