# mlops

本期数据工程圈的几篇复盘有一个共同特征——都带具体的钱或时间数字。Shopify 用 JSON-to-Python 转译把 Flow Agent 的推理成本降了 68%，Monzo 用数据契约把处理成本降了 40%、数据着陆时间加速 25%，Halodoc 把 Spark on EKS 的节点利用率拉到 96%。Agent 落地走完了"做小"和"稳定"两步，进入第三步——算账。

本期数据工程圈集中讨论 Agent 在生产环境的落地——Whatnot 直言 LLM 平台 80% 的故障和模型无关，Slack 拆解长跑 Agent 如何靠 Director's Journal 管上下文，Teads 让 AI 编排 ML 实验带来约 100 万美元利润。一个共同结论是：模型反而是最轻的那一块，真正的坎在基础设施上。

实时ML架构 - 特征在实时系统中的应用。MLOps实践 - 模型生命周期管理。机器学习基础 - ML核心概念。RAG实战 - 向量化特征应用

Feature Store - 特征管理详解。MLOps实践 - 模型生命周期管理。Spark MLlib - 批量训练基础。机器学习基础 - ML核心概念

MLOps（Machine Learning Operations）是将DevOps实践应用于机器学习的方法论，旨在统一机器学习系统的开发(Dev)和运营(Ops)，实现ML系统的可靠、可扩展和高效部署。。机器学习基础 - ML基础理论。Spark MLlib - 大数据ML实践。机器学习 - Python ML...

每个做过AI项目的人都经历过这个场景：模型在 Jupyter Notebook 里跑得很好，准确率亮眼，但一到要上线就陷入泥潭——环境不一致、代码不可复现、接口没有标准化、性能不达标……。这道鸿沟不是技术能力问题，而是工程体系问题。。机器学习的版本管理比普通软件更复杂，因为它有三个需要同步追踪的维度：。代码版本：...

模型准确率只是AI项目成功的起点。本文系统讲解从Notebook到生产的工程化挑战，覆盖模型版本管理、A/B测试、漂移监控、特征平台、推理服务与MLOps全链路。

大多数团队上了LLM之后，第一个月在写Prompt，第二个月在数钱，第三个月才意识到没有工程体系撑不住。本文系统讲解LLMOps与MLOps的本质差异、五大核心组件和成熟度模型。