第21章 . MLOps 基础

你训练好了一个模型（第11章 · 模型微调），怎么让它上线给别人用？怎么知道它在生产环境跑得好不好？怎么把模型更新从”手动折腾半天”变成”代码推送自动完成”？MLOps（机器学习运维）就是管这些事的。

MLOps 本质上是一套从实验到生产的工程化方法。它解决的核心问题是：数据科学家在 Jupyter Notebook 里跑出来一个好模型，和这个模型在生产环境稳定运行之间，隔着巨大的鸿沟——模型需要变成 API，需要能复现实验，需要自动更新，需要在线上被人盯着。本章从部署、管理、监控三个角度搭建 MLOps 的基础认知。

生活比喻：MLOps 像开餐厅——模型训练是研发新菜（厨房实验），部署是正式营业（上线服务），监控是看顾客反馈：菜变味了没（数据漂移）、顾客口味变了没（概念漂移）。CI/CD 是标准化流程——从研发到上菜，每一步都有章可循，不会每次手忙脚乱。没有这套流程，你的”招牌菜”可能只在厨房里好吃，端上桌就变味了。

graph LR
    Data[数据采集] --> Preprocess[数据预处理]
    Preprocess --> Train[模型训练]
    Train --> Evaluate[模型评估]
    Evaluate --> Register[模型注册]
    Register --> Deploy[模型部署]
    Deploy --> Monitor[监控]
    Monitor -->|数据漂移| Data
    Monitor -->|模型衰退| Train

本章目录

1. 21.1 模型怎么变成服务 — FastAPI + Docker + 云部署选项
2. 21.2 MLOps成熟度模型 — Level 0-3：从手动到全自动
3. 21.3 实验管理 — MLflow 实验追踪 + 模型版本管理
4. 21.4 小型团队MLOps最低可行方案 — 3-5人团队的实用工具清单
5. 21.6 生产监控 — 数据漂移、概念漂移、监控工具
6. 21.7 CI/CD — 从代码提交到自动部署的流水线
7. 21.9 2026年MLOps趋势 — LLMOps、AgentOps、评估自动化

相关笔记

• 第20章 · 模型推理部署 — 模型怎么跑起来
• 第11章 · 模型微调 — 训练是 MLOps 的上游
• LLM 可观测性 (LLM Observability) — LLM 生产环境监控的深度方案
• 概念-Guardrails — 生产环境安全防护框架
• 概念-RedTeaming — 部署前的安全红队测试

跨章节关联

• 第20章 · 模型推理部署 — 部署之后：运维和监控
• 第11章 · 模型微调 — 微调的工程化：实验管理、版本控制
• 第14章 · Agent 是怎么工作的 — Agent 的生产监控
• 第22章 · 2026 AI 技术全景 — MLOps 在技术全景中的位置

来源

• MLflow, https://mlflow.org
• FastAPI, https://fastapi.tiangolo.com
• Docker, https://docs.docker.com
• Evidently AI, https://www.evidentlyai.com