MLflow Skinny 輕量級客戶端解析無 SQL 存儲、Server 與數據科學依賴的精簡安裝方案【免費下載鏈接】mlflowThe open source AI engineering platform for agents, LLMs, and ML models. MLflow enables teams of all sizes to debug, evaluate, monitor, and optimize production-quality AI applications while controlling costs and managing access to models and data.項目地址: https://gitcode.com/GitHub_Trending/ml/mlflow本文聚焦 MLflow 倉庫中mlflow-skinny這一輕量級 Python 發行包說明它與完整版mlflow包在依賴邊界、功能邊界上的差異并結合倉庫源碼與測試驗證其安裝方式、可選依賴擴展與遠程 Tracking 配置。讀完本文你將掌握在資源受限環境邊緣設備、CI、瘦客戶端容器中部署 MLflow 客戶端的最佳實踐并理解其背后的構建機制。什么是 mlflow-skinnymlflow-skinny是 MLflow 官方提供的一個輕量級 Python 包其定位在 libs/skinny/README_SKINNY.md 中表述得很明確它是不包含SQL 存儲SQL storage、Server、UI 以及數據科學data science依賴的精簡 MLflow 包。也就是說它保留了 MLflow 的客戶端能力與 API 骨架但去掉了運行完整平臺所必需的重型組件從而顯著降低安裝體積與依賴沖突風險。它的核心價值在于解決一類典型問題在只需要上報實驗數據、讀寫模型注冊表的場景中不需要完整安裝一套帶 Web UI、帶數據庫遷移、帶各種數據科學庫的 MLflow。使用mlflow-skinny可以把依賴面壓縮到最小同時保持與完整 MLflow 相同的 Python API 使用方式。與完整版 mlflow 的依賴邊界從倉庫的構建腳本 dev/pyproject.py 可以看出MLflow 的發行包分為多個類型SKINNY、RELEASE、DEV、TRACING其中 RELEASE 類型的完整包依賴聲明為fmlflow-skinny{package_version}, fmlflow-tracing{package_version}, ] sorted(core_requirements)即完整版mlflow包本身就強制依賴mlflow-skinny與mlflow-tracing再疊加 requirements/core-requirements.yaml 中的核心組件。對比這兩個依賴清單可以清晰看到完整版多出的是能力域完整版額外引入的依賴core-requirements元數據存儲與遷移alembic、sqlalchemyServing 與 Web 框架flask、flask-cors、gunicorn、waitress數據科學與模型numpy、scipy、pandas、scikit-learn、skops、pyarrow、matplotlib項目執行后端docker、huey、aiohttp安全cryptography而這些正是mlflow-skinny刻意排除的。從源碼結構看mlflow-skinny僅保留 RESTful 客戶端所需的 Tracking / Model Registry 通信能力、Project 在本地后端與 Databricks 上的執行支持以及 Tracing 相關的基礎設施依賴。mlflow-skinny 的核心依賴清單mlflow-skinny的依賴由 requirements/skinny-requirements.yaml 定義并經過構建腳本生成到 libs/skinny/pyproject.toml 中。當前版本的主要運行時依賴及版本約束如下依賴版本約束來自 pyproject.toml用途anyio3.6.2,5,!4.15.0異步支持被 server/fastapi_app 間接使用4.15.0 被排除因其破壞了 starlette WSGI 橋接click7.0,9MLflow CLI 入口cloudpickle4序列化python-dotenv0.19.0,2環境變量文件加載gitpython3.1.9,4Project 執行時 git 操作pyyaml5.1,7YAML 解析MLproject 等protobuf3.12.0,8與 MLflow 服務端通信的 proto 消息requests2.17.3,3REST 客戶端packaging27版本解析importlib_metadata3.7.0,10,!4.7.0模型依賴自動探測依賴packages_distributionssqlparse0.4.0,1SQL 解析基礎cachetools5.0.0,8Tracing 所需opentelemetry-api/sdk/proto1.9.0,3Tracing 基礎設施NoOpTracer 自 1.9.0 引入databricks-sdk0.20.0,1Databricks 集成pydantic2.0.0,3數據校驗fastapi/starlette/uvicorn1/2/1輕量 ASGI 服務能力值得注意的細節是skinny-requirements.yaml中特意注明opentelemetry-api的 1.9.0 下限是因為NoOpTracer從該版本才引入importlib_metadata的 3.7.0 下限則是因為模型依賴自動探測依賴其packages_distributions函數。這些注釋體現了依賴版本約束是經過嚴格驗證的并非隨意填寫。構建腳本 dev/pyproject.py 中還有一個關鍵校驗函數_check_skinny_tracing_mismatch它強制要求tracing 的依賴必須是 skinny 依賴的子集if diff : set(tracing_reqs) - set(skinny_reqs): raise RuntimeError(Tracing requirements must be a subset of skinny requirements...)之所以做這個約束是因為mlflow-skinny不會把mlflow-tracing設為硬依賴但必須保證 tracing 所需的依賴已被 skinny 覆蓋二者才能協同工作。安裝 mlflow-skinny方式一從本地倉庫安裝如果你已經克隆了本倉庫可以直接指定libs/skinny子目錄進行安裝參見 libs/skinny/README.mdpip install ./libs/skinny方式二從遠程倉庫子目錄安裝pip install githttps://github.com/mlflow/mlflow.git#subdirectorylibs/skinny方式三官方一鍵腳本從 master / 分支 / PR 安裝倉庫提供了 dev/install-skinny.sh使用 git sparse-checkout 只拉取構建所需的目錄/mlflow、/libs/skinny、/pyproject.toml并排除mlflow/server/js前端代碼避免下載整個倉庫# 安裝 master 最新版 curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh # 安裝指定分支 curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh -s branch # 安裝指定 PR curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh -s pull/pr_num/merge安裝的源碼級保障symlink 與構建守衛libs/skinny/mlflow是指向倉庫根目錄mlflow包的符號鏈接symlink。倉庫中的 libs/skinny/setup.py 專門為此實現了一個構建期守衛在 Windows 上若未開啟開發者模式git 會把 symlink 物化為普通文本文件setuptools將找不到任何包從而構建出一個能裝上、能聲明mlflow命令入口、卻無法 import 任何內容的空 wheel。因此 setup.py 在構建時檢查if not (Path(__file__).parent / mlflow).is_dir(): raise SystemExit( libs/skinny/mlflow is not a directory, so this build would produce a wheel with no code in it.\n On Windows, git materializes symlinks as text files unless you enable Developer Mode, or clone with:\n git -c core.symlinkstrue clone https://github.com/mlflow/mlflow )也就是說在 Windows 上克隆倉庫后想本地安裝請使用git -c core.symlinkstrue clone ...或啟用 Developer Mode。按需擴展為缺失功能補充依賴由于mlflow-skinny刻意不攜帶重型依賴使用其擴展功能時需按需安裝相應組件。官方 README 明確給出了三類典型場景同樣可在 dev/pyproject.py 的SKINNY_README模板中看到對應原文想要使用的功能需要額外安裝的依賴mlflow.sklearn等 MLflow Models 組件scikit-learn、numpy、pandasSQL 元數據存儲如 SQLite/MySQL/PostgreSQL 后端sqlalchemy、alembic、sqlparseServing 相關特性flask、pandas此外libs/skinny/pyproject.toml 還聲明了豐富的一鍵可選依賴組extras安裝時可以用pip install mlflow-skinny[extras]之類的形式一次性補齊extraspyarrow、boto3、botocore、google-cloud-storage、azureml-core、pysftp、kubernetes、prometheus-flask-exporter 等——覆蓋 S3 / GCS / Azure / SFTP 等各云廠商制品存儲與 Kubernetes 遠程項目執行dbPyMySQL、psycopg2-binary、pymssql——MySQL / PostgreSQL / SQL Server 數據庫驅動databricksdatabricks-agents 及云存儲 SDK——Databricks 場景專用gateway/genaiboto3、slowapi、tiktoken、uvicorn[standard]、watchfiles——AI Gateway 與 GenAI 功能mcpfastmcp、click——MCP 協議支持azureazure-storage-blob、azure-identitysqlservermlflow-dbstorealiyun-ossaliyunstoreplugin阿里云 OSS 插件jfrogmlflow-jfrog-pluginkuberneteskuberneteslangchainlangchain版本范圍由ml-package-versions.yml自動推導authFlask-WTF——basic auth 認證。這些 extras 與完整版mlflow包的可選依賴體系保持一致用戶可以在極簡客戶端和全功能平臺之間按需取用。遠程 Tracking 配置瘦客戶端的正確用法重要注意事項官方原文強調使用mlflow-skinny時由于它不包含 Server / UI / SQL 存儲必須將 Tracking URI 設置為遠程 MLflow 服務器而不是默認的本地文件存儲export MLFLOW_TRACKING_URIhttp://your-mlflow-server:5000該環境變量在 mlflow/environment_variables.py 中有正式定義MLFLOW_TRACKING_URI _EnvironmentVariable(MLFLOW_TRACKING_URI, str, None)在代碼中也可以等價地使用import mlflow mlflow.set_tracking_uri(http://your-mlflow-server:5000)在瘦客戶端模式下MLflow 通過 HTTP REST 與遠端 Tracking Service / Model Registry 通信因此requests是這個包的骨干依賴之一。這一架構意味著你可以在邊緣節點、CI 流水線或內網受控容器中安裝mlflow-skinny把數據上報到集中部署的 MLflow Server實現客戶端極簡、服務端集中的拓撲。源碼與測試如何驗證瘦客戶端邊界倉庫的測試套件直接驗證了瘦客戶端的依賴邊界。在 tests/test_skinny_client_omits_data_science_libs.py 中測試首先檢查環境變量MLFLOW_SKINNY是否存在不存在則跳過隨后斷言在 import mlflow 之后flask、pandas、numpy均無法導入def test_fails_import_flask(): import mlflow # noqa: F401 with pytest.raises(ImportError, matchflask): import flask # noqa: F401這從測試層面確認了mlflow-skinny安裝后不會把數據科學庫連帶裝進來這正是它體積小的根本原因。同類測試還包括 tests/test_skinny_client_omits_sql_libs.py驗證 SQL 庫被省略與 tests/test_skinny_client_anthropic_import.py驗證瘦客戶端對可選 flavor 的延遲導入策略。此外倉庫還維護了版本一致性約束RELEASE 構建會強制mlflow、mlflow-skinny、mlflow-tracing三個包版本號嚴格對齊mlflow-skinny{package_version}配合_check_skinny_tracing_mismatch校驗保證三個子包不會出現依賴漂移。版本發布與構建機制進階原理從 dev/pyproject.py 可以梳理出mlflow-skinny的完整構建鏈路依賴源頭mlflow/version.py中的VERSION字符串、requirements/skinny-requirements.yaml、requirements/tracing-requirements.yaml、requirements/core-requirements.yaml、.python-version文件構建腳本對四個包類型分別組裝依賴列表其中 SKINNY 類型直接使用sorted(skinny_requirements)生成物包括 libs/skinny/pyproject.tomlPEP 621 元數據與README_SKINNY.md即本文所依據的文檔本體二者均標注 Autogenerated by dev/pyproject.py. Do not edit manually手工修改會被腳本覆蓋發布時完整版mlflow包的 pyproject 會被 pyproject.release.toml 替換把mlflow-skinny與mlflow-tracing作為硬依賴引入實現三個包的同版本發布。因此mlflow-skinny不是一個另起爐灶的分支而是 MLflow 官方同一份源碼、多種打包形態的產物——它的代碼與完整版完全同源只是依賴裁剪策略不同。何時選擇 mlflow-skinny綜合上述分析mlflow-skinny適合以下場景邊緣 / 嵌入式環境資源受限設備上需要上報實驗數據但無法承受 pandas、scikit-learn 等重型依賴CI / 測試流水線只想快速驗證 Tracking 客戶端邏輯不必安裝完整平臺瘦客戶端容器作為獨立進程或 job 運行與集中式 MLflow Server 通過 REST 通信對體積敏感的分發場景需要把 MLflow 客戶端能力打進體積敏感的分發包中。反之如果需要本地運行mlflow server、瀏覽 UI、使用本地 SQL 存儲或本地模型 Serving則應安裝完整版mlflow包它本身也會帶上mlflow-skinny與mlflow-tracing無需重復安裝。延伸閱讀libs/skinny/README_SKINNY.md本文檔本體mlflow-skinny 包的官方描述PyPI 上的 readmelibs/skinny/pyproject.tomlmlflow-skinny 的完整包元數據、依賴與可選依賴組libs/skinny/setup.pysymlink 構建守衛解釋 Windows 下安裝的坑requirements/skinny-requirements.yamlskinny 依賴的唯一事實來源dev/pyproject.py生成 pyproject.toml 與 README_SKINNY.md 的自動化腳本tests/test_skinny_client_omits_data_science_libs.py驗證瘦客戶端排除數據科學依賴的測試用例mlflow/environment_variables.pyMLFLOW_TRACKING_URI等環境變量定義。【免費下載鏈接】mlflowThe open source AI engineering platform for agents, LLMs, and ML models. MLflow enables teams of all sizes to debug, evaluate, monitor, and optimize production-quality AI applications while controlling costs and managing access to models and data.項目地址: https://gitcode.com/GitHub_Trending/ml/mlflow創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 MLflow Skinny 輕量級客戶端解析：無 SQL 存儲、Server 與數據科學依賴的精簡安裝方案
MLflow Skinny 輕量級客戶端解析無 SQL 存儲、Server 與數據科學依賴的精簡安裝方案【免費下載鏈接】mlflowThe open source AI engineering platform for agents, LLMs, and ML models. MLflow enables teams of all sizes to debug, evaluate, monitor, and optimize production-quality AI applications while controlling costs and managing access to models and data.項目地址: https://gitcode.com/GitHub_Trending/ml/mlflow本文聚焦 MLflow 倉庫中mlflow-skinny這一輕量級 Python 發行包說明它與完整版mlflow包在依賴邊界、功能邊界上的差異并結合倉庫源碼與測試驗證其安裝方式、可選依賴擴展與遠程 Tracking 配置。讀完本文你將掌握在資源受限環境邊緣設備、CI、瘦客戶端容器中部署 MLflow 客戶端的最佳實踐并理解其背后的構建機制。什么是 mlflow-skinnymlflow-skinny是 MLflow 官方提供的一個輕量級 Python 包其定位在 libs/skinny/README_SKINNY.md 中表述得很明確它是不包含SQL 存儲SQL storage、Server、UI 以及數據科學data science依賴的精簡 MLflow 包。也就是說它保留了 MLflow 的客戶端能力與 API 骨架但去掉了運行完整平臺所必需的重型組件從而顯著降低安裝體積與依賴沖突風險。它的核心價值在于解決一類典型問題在只需要上報實驗數據、讀寫模型注冊表的場景中不需要完整安裝一套帶 Web UI、帶數據庫遷移、帶各種數據科學庫的 MLflow。使用mlflow-skinny可以把依賴面壓縮到最小同時保持與完整 MLflow 相同的 Python API 使用方式。與完整版 mlflow 的依賴邊界從倉庫的構建腳本 dev/pyproject.py 可以看出MLflow 的發行包分為多個類型SKINNY、RELEASE、DEV、TRACING其中 RELEASE 類型的完整包依賴聲明為fmlflow-skinny{package_version}, fmlflow-tracing{package_version}, ] sorted(core_requirements)即完整版mlflow包本身就強制依賴mlflow-skinny與mlflow-tracing再疊加 requirements/core-requirements.yaml 中的核心組件。對比這兩個依賴清單可以清晰看到完整版多出的是能力域完整版額外引入的依賴core-requirements元數據存儲與遷移alembic、sqlalchemyServing 與 Web 框架flask、flask-cors、gunicorn、waitress數據科學與模型numpy、scipy、pandas、scikit-learn、skops、pyarrow、matplotlib項目執行后端docker、huey、aiohttp安全cryptography而這些正是mlflow-skinny刻意排除的。從源碼結構看mlflow-skinny僅保留 RESTful 客戶端所需的 Tracking / Model Registry 通信能力、Project 在本地后端與 Databricks 上的執行支持以及 Tracing 相關的基礎設施依賴。mlflow-skinny 的核心依賴清單mlflow-skinny的依賴由 requirements/skinny-requirements.yaml 定義并經過構建腳本生成到 libs/skinny/pyproject.toml 中。當前版本的主要運行時依賴及版本約束如下依賴版本約束來自 pyproject.toml用途anyio3.6.2,5,!4.15.0異步支持被 server/fastapi_app 間接使用4.15.0 被排除因其破壞了 starlette WSGI 橋接click7.0,9MLflow CLI 入口cloudpickle4序列化python-dotenv0.19.0,2環境變量文件加載gitpython3.1.9,4Project 執行時 git 操作pyyaml5.1,7YAML 解析MLproject 等protobuf3.12.0,8與 MLflow 服務端通信的 proto 消息requests2.17.3,3REST 客戶端packaging27版本解析importlib_metadata3.7.0,10,!4.7.0模型依賴自動探測依賴packages_distributionssqlparse0.4.0,1SQL 解析基礎cachetools5.0.0,8Tracing 所需opentelemetry-api/sdk/proto1.9.0,3Tracing 基礎設施NoOpTracer 自 1.9.0 引入databricks-sdk0.20.0,1Databricks 集成pydantic2.0.0,3數據校驗fastapi/starlette/uvicorn1/2/1輕量 ASGI 服務能力值得注意的細節是skinny-requirements.yaml中特意注明opentelemetry-api的 1.9.0 下限是因為NoOpTracer從該版本才引入importlib_metadata的 3.7.0 下限則是因為模型依賴自動探測依賴其packages_distributions函數。這些注釋體現了依賴版本約束是經過嚴格驗證的并非隨意填寫。構建腳本 dev/pyproject.py 中還有一個關鍵校驗函數_check_skinny_tracing_mismatch它強制要求tracing 的依賴必須是 skinny 依賴的子集if diff : set(tracing_reqs) - set(skinny_reqs): raise RuntimeError(Tracing requirements must be a subset of skinny requirements...)之所以做這個約束是因為mlflow-skinny不會把mlflow-tracing設為硬依賴但必須保證 tracing 所需的依賴已被 skinny 覆蓋二者才能協同工作。安裝 mlflow-skinny方式一從本地倉庫安裝如果你已經克隆了本倉庫可以直接指定libs/skinny子目錄進行安裝參見 libs/skinny/README.mdpip install ./libs/skinny方式二從遠程倉庫子目錄安裝pip install githttps://github.com/mlflow/mlflow.git#subdirectorylibs/skinny方式三官方一鍵腳本從 master / 分支 / PR 安裝倉庫提供了 dev/install-skinny.sh使用 git sparse-checkout 只拉取構建所需的目錄/mlflow、/libs/skinny、/pyproject.toml并排除mlflow/server/js前端代碼避免下載整個倉庫# 安裝 master 最新版 curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh # 安裝指定分支 curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh -s branch # 安裝指定 PR curl -LsSf https://raw.githubusercontent.com/mlflow/mlflow/HEAD/dev/install-skinny.sh | sh -s pull/pr_num/merge安裝的源碼級保障symlink 與構建守衛libs/skinny/mlflow是指向倉庫根目錄mlflow包的符號鏈接symlink。倉庫中的 libs/skinny/setup.py 專門為此實現了一個構建期守衛在 Windows 上若未開啟開發者模式git 會把 symlink 物化為普通文本文件setuptools將找不到任何包從而構建出一個能裝上、能聲明mlflow命令入口、卻無法 import 任何內容的空 wheel。因此 setup.py 在構建時檢查if not (Path(__file__).parent / mlflow).is_dir(): raise SystemExit( libs/skinny/mlflow is not a directory, so this build would produce a wheel with no code in it.\n On Windows, git materializes symlinks as text files unless you enable Developer Mode, or clone with:\n git -c core.symlinkstrue clone https://github.com/mlflow/mlflow )也就是說在 Windows 上克隆倉庫后想本地安裝請使用git -c core.symlinkstrue clone ...或啟用 Developer Mode。按需擴展為缺失功能補充依賴由于mlflow-skinny刻意不攜帶重型依賴使用其擴展功能時需按需安裝相應組件。官方 README 明確給出了三類典型場景同樣可在 dev/pyproject.py 的SKINNY_README模板中看到對應原文想要使用的功能需要額外安裝的依賴mlflow.sklearn等 MLflow Models 組件scikit-learn、numpy、pandasSQL 元數據存儲如 SQLite/MySQL/PostgreSQL 后端sqlalchemy、alembic、sqlparseServing 相關特性flask、pandas此外libs/skinny/pyproject.toml 還聲明了豐富的一鍵可選依賴組extras安裝時可以用pip install mlflow-skinny[extras]之類的形式一次性補齊extraspyarrow、boto3、botocore、google-cloud-storage、azureml-core、pysftp、kubernetes、prometheus-flask-exporter 等——覆蓋 S3 / GCS / Azure / SFTP 等各云廠商制品存儲與 Kubernetes 遠程項目執行dbPyMySQL、psycopg2-binary、pymssql——MySQL / PostgreSQL / SQL Server 數據庫驅動databricksdatabricks-agents 及云存儲 SDK——Databricks 場景專用gateway/genaiboto3、slowapi、tiktoken、uvicorn[standard]、watchfiles——AI Gateway 與 GenAI 功能mcpfastmcp、click——MCP 協議支持azureazure-storage-blob、azure-identitysqlservermlflow-dbstorealiyun-ossaliyunstoreplugin阿里云 OSS 插件jfrogmlflow-jfrog-pluginkuberneteskuberneteslangchainlangchain版本范圍由ml-package-versions.yml自動推導authFlask-WTF——basic auth 認證。這些 extras 與完整版mlflow包的可選依賴體系保持一致用戶可以在極簡客戶端和全功能平臺之間按需取用。遠程 Tracking 配置瘦客戶端的正確用法重要注意事項官方原文強調使用mlflow-skinny時由于它不包含 Server / UI / SQL 存儲必須將 Tracking URI 設置為遠程 MLflow 服務器而不是默認的本地文件存儲export MLFLOW_TRACKING_URIhttp://your-mlflow-server:5000該環境變量在 mlflow/environment_variables.py 中有正式定義MLFLOW_TRACKING_URI _EnvironmentVariable(MLFLOW_TRACKING_URI, str, None)在代碼中也可以等價地使用import mlflow mlflow.set_tracking_uri(http://your-mlflow-server:5000)在瘦客戶端模式下MLflow 通過 HTTP REST 與遠端 Tracking Service / Model Registry 通信因此requests是這個包的骨干依賴之一。這一架構意味著你可以在邊緣節點、CI 流水線或內網受控容器中安裝mlflow-skinny把數據上報到集中部署的 MLflow Server實現客戶端極簡、服務端集中的拓撲。源碼與測試如何驗證瘦客戶端邊界倉庫的測試套件直接驗證了瘦客戶端的依賴邊界。在 tests/test_skinny_client_omits_data_science_libs.py 中測試首先檢查環境變量MLFLOW_SKINNY是否存在不存在則跳過隨后斷言在 import mlflow 之后flask、pandas、numpy均無法導入def test_fails_import_flask(): import mlflow # noqa: F401 with pytest.raises(ImportError, matchflask): import flask # noqa: F401這從測試層面確認了mlflow-skinny安裝后不會把數據科學庫連帶裝進來這正是它體積小的根本原因。同類測試還包括 tests/test_skinny_client_omits_sql_libs.py驗證 SQL 庫被省略與 tests/test_skinny_client_anthropic_import.py驗證瘦客戶端對可選 flavor 的延遲導入策略。此外倉庫還維護了版本一致性約束RELEASE 構建會強制mlflow、mlflow-skinny、mlflow-tracing三個包版本號嚴格對齊mlflow-skinny{package_version}配合_check_skinny_tracing_mismatch校驗保證三個子包不會出現依賴漂移。版本發布與構建機制進階原理從 dev/pyproject.py 可以梳理出mlflow-skinny的完整構建鏈路依賴源頭mlflow/version.py中的VERSION字符串、requirements/skinny-requirements.yaml、requirements/tracing-requirements.yaml、requirements/core-requirements.yaml、.python-version文件構建腳本對四個包類型分別組裝依賴列表其中 SKINNY 類型直接使用sorted(skinny_requirements)生成物包括 libs/skinny/pyproject.tomlPEP 621 元數據與README_SKINNY.md即本文所依據的文檔本體二者均標注 Autogenerated by dev/pyproject.py. Do not edit manually手工修改會被腳本覆蓋發布時完整版mlflow包的 pyproject 會被 pyproject.release.toml 替換把mlflow-skinny與mlflow-tracing作為硬依賴引入實現三個包的同版本發布。因此mlflow-skinny不是一個另起爐灶的分支而是 MLflow 官方同一份源碼、多種打包形態的產物——它的代碼與完整版完全同源只是依賴裁剪策略不同。何時選擇 mlflow-skinny綜合上述分析mlflow-skinny適合以下場景邊緣 / 嵌入式環境資源受限設備上需要上報實驗數據但無法承受 pandas、scikit-learn 等重型依賴CI / 測試流水線只想快速驗證 Tracking 客戶端邏輯不必安裝完整平臺瘦客戶端容器作為獨立進程或 job 運行與集中式 MLflow Server 通過 REST 通信對體積敏感的分發場景需要把 MLflow 客戶端能力打進體積敏感的分發包中。反之如果需要本地運行mlflow server、瀏覽 UI、使用本地 SQL 存儲或本地模型 Serving則應安裝完整版mlflow包它本身也會帶上mlflow-skinny與mlflow-tracing無需重復安裝。延伸閱讀libs/skinny/README_SKINNY.md本文檔本體mlflow-skinny 包的官方描述PyPI 上的 readmelibs/skinny/pyproject.tomlmlflow-skinny 的完整包元數據、依賴與可選依賴組libs/skinny/setup.pysymlink 構建守衛解釋 Windows 下安裝的坑requirements/skinny-requirements.yamlskinny 依賴的唯一事實來源dev/pyproject.py生成 pyproject.toml 與 README_SKINNY.md 的自動化腳本tests/test_skinny_client_omits_data_science_libs.py驗證瘦客戶端排除數據科學依賴的測試用例mlflow/environment_variables.pyMLFLOW_TRACKING_URI等環境變量定義。【免費下載鏈接】mlflowThe open source AI engineering platform for agents, LLMs, and ML models. MLflow enables teams of all sizes to debug, evaluate, monitor, and optimize production-quality AI applications while controlling costs and managing access to models and data.項目地址: https://gitcode.com/GitHub_Trending/ml/mlflow創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考