11. 延伸阅读与总结
一句话理解：MLflow 不是孤立的工具，它与 Kubeflow、KServe、DVC、W&B、Neptune、Delta Lake 等共同构成 MLOps 工具链；学完本章后，建议沿着“实验追踪 → 模型治理 → 模型服务”的路线继续深入。
11.1 核心官方资源
| 资源 | 说明 |
|---|---|
| MLflow 官方文档 | 最权威、最及时的参考 |
| MLflow GitHub | 源码、issue、release note |
| MLflow Quickstart | 30 分钟上手 |
| MLflow Model Registry | 模型治理核心 |
| MLflow Tracking Server | 生产部署必读 |
11.2 相邻主题交叉引用
| 主题 | 关系 | 链接 |
|---|---|---|
| Kubeflow | 编排 + 工作流；训练 step 中调用 MLflow | Kubeflow 总览 |
| 存储系统 | Artifact Store 底层依赖对象存储/文件系统 | 存储系统总览 |
| KubeRay | 训练作业可跑在 KubeRay 集群上 | KubeRay 总览 |
| Airflow | 工作流编排；可编排 MLflow 训练/注册流水线 | Airflow 总览 |
| KServe | 模型服务；可加载 MLflow 模型 | KServe 总览 |
| vLLM | 大模型推理；MLflow 可注册 PyTorch 大模型 | vLLM 总览 |
| SGLang | 大模型结构化输出；可与 MLflow 模型服务结合 | SGLang 总览 |
| TensorRT-LLM | 高性能推理；模型可打包进 MLflow artifact | TensorRT-LLM 总览 |
| Agent Runtime | Agent 训练实验追踪 | Agent Runtime 总览 |
11.3 进阶论文与文章
| 类型 | 资源 | 看点 |
|---|---|---|
| 实践 | MLflow at Databricks | 托管版与企业治理 |
| 实践 | MLOps Community — MLflow Best Practices | 社区经验 |
| 对比 | Weights & Biases vs MLflow | 商业与开源差异 |
| 对比 | Neptune vs MLflow | 实验追踪对比 |
| 工具链 | DVC + MLflow | 数据版本与模型版本结合 |
11.4 推荐学习路径
- 第 1 周：精读本主题 01-05 章，运行 Mini Demo。
- 第 2 周：读 06 源码分析 + 07-09 生产与最佳实践；尝试用 PostgreSQL + S3 部署本地 Tracking Server。
- 第 3 周：与 Kubeflow Pipeline 或 KServe 联调一个端到端案例。
- 第 4 周：读官方 release note，关注 2.x 新特性（如 tracing、prompt engineering UI、gateway）。
11.5 一句话总结
MLflow 是 MLOps 的“实验记录本 + 模型仓库”：
- Tracking 让每次训练有迹可循；
- Models 让模型可被标准化打包与部署；
- Model Registry 让模型版本、阶段、别名成为可被工程化管理的资源。
它与 Kubeflow、KServe、vLLM 等工具组合，构成从实验到生产的完整 AI 基础设施链路。
本章小结
- 官方文档和 GitHub 是最权威的学习来源。
- MLflow 与 Kubeflow、KServe、vLLM 等主题形成互补。
- 学习路径建议：先本地 Demo，再生产部署，最后与上下游工具集成。
参考来源
- MLflow 官方文档
- MLflow GitHub
- 本手册相关主题总览