AI 术语表 · 基础 · MLOps 与 LLMOps
MLOps
MLOps 是对机器学习模型的构建、部署上线、运行维护和持续改进这一整个过程进行自动化和系统化管理的方法。意思是把模型开发（ML）和运维（Ops）连成一体。
关于这个术语
- 难度
- 基础 · AI 新闻中常见的技术术语
- 分类
- 数据、运维与平台
- 加入时间
- 2026-10-08
通俗解释 把一道新菜做得好吃一次，和每天以同样的味道出几百份、并根据顾客反馈不断调整菜谱的餐馆经营，是两回事。MLOps 对应的是后者，也就是“每天保持同样品质运转的厨房系统”。
工作原理
收集并整理数据，训练模型，评估性能，然后把通过评估的模型部署到服务中。部署之后，要持续观察预测是否准确、输入的数据是否与训练时不同。一旦发现问题，就用新数据重新训练，重复这个过程。不靠人工手动推动这个循环，而是用自动化工具和既定流程来运转，这就是 MLOps 的核心。
MLOps 的循环
持续可用的模型
- 1数据准备
- 2训练
- 3评估
- 4部署
- 5监控
- 1. 数据准备 收集和整理
- 2. 训练 记录实验
- 3. 评估 是否达标
- 4. 部署 上线到服务
- 5. 监控 监测性能和漂移
为什么重要
在研究阶段表现良好的模型，到了实际服务中也很容易随着时间推移而性能下降。因为世界在变，输入的数据也会跟着变（数据漂移）。此外，如果没有记录模型是用什么数据和配置做出来的，出问题时就很难查找原因或回退到之前的模型。MLOps 能带来这种可复现性、可追溯性和稳定性。
注意事项
MLOps 不是某一个特定工具，而是实验追踪、模型注册表、模型服务、监控等多个组成部分和工作方式的统称。不必一开始就全部配齐，通常先从记录和部署自动化做起，再逐步扩展。组织文化也很重要，数据科学家和运维工程师需要共享同一套流程才能见效。处理 LLM 时，也会单独使用其扩展概念 LLMOps 这一说法。
示例
以购物网站的商品推荐模型为例。季节一变，人们要找的商品也会变，推荐就开始不准了。具备 MLOps 的团队会先通过监控发现点击率等指标下降，再用近期数据重新训练模型并进行评估，只自动部署超过标准的模型。如果新模型出了问题，就立即回退到保存在模型注册表中的上一个版本。