必须配置远程 MLflow Tracking Server 并使用 PostgreSQL+MinIO/S3 存储，避免本地 SQLite 并发锁；log_params 时需手动提取可序列化关键参数并加前缀；保存模型前须验证 pipeline 已 fitted 且步骤属性存在；注册模型时必须关联 data_version、code_version、run_id 和超参指标。
直接用 mlflow.start_run() 会丢实验，必须配远程 tracking server
本地开发时 mlflow.start_run() 写到 file:// 目录看着正常，但一上生产就丢数据——因为 SQLite 或本地文件系统不支持并发写入，多个训练任务同时跑会报 DatabaseError: database is locked 或静默覆盖。
- 必须提前设环境变量：
export MLFLOW_TRACKING_URI=http://your-mlflow-server:5000 - 服务端别用
mlflow server --backend-store-uri sqlite:///mlflow.db，改用 PostgreSQL 存元数据 + MinIO/S3 存模型文件 - 验证是否生效：训练脚本开头加
print(mlflow.get_tracking_uri())，确保输出是 HTTP 地址，不是file://
mlflow.log_params() 记 Pipeline 参数时，别调 pipeline.get_params()
sklearn 的 pipeline.get_params() 返回嵌套字典，含大量 __ 开头的内部键和不可序列化对象（比如函数、类实例），mlflow.log_params() 会直接报错或静默丢弃关键参数。
- 只提取真正影响复现的参数：例如
{"scaler_with_mean": True, "lr_C": 1.0, "lr_solver": "liblinear"} - 用
pipeline.named_steps安全遍历，避免硬编码索引导致步骤名变更后出错 - 键名加前缀（如
scaler_、lr_）防止不同步骤同名参数冲突
保存模型前，assert hasattr(pipeline, "steps") 不够，得验具体 fitted 属性
joblib 保存未 fit 的 Pipeline 看似成功，加载后调 predict() 才爆 NotFittedError 或 AttributeError，尤其在 CI/CD 环境里难定位。
- 保存前加断言：
assert hasattr(pipeline.named_steps["classifier"], "classes_")（按实际 classifier 步骤名和属性调整） - 必须先
pipeline.fit(X_train, y_train)，再mlflow.sklearn.log_model(pipeline, "model")，不能分开执行 - 别对 pipeline 做
copy.deepcopy()后再保存——某些 transformer 深拷贝后丢失 fitted 状态
注册模型别只靠 mlflow.register_model()，得手动关联数据与代码版本
注册完模型在 UI 里看到 Model Version 1，但点进去看不到它用的是哪份数据、哪个 Git commit、哪些超参——因为 mlflow.register_model() 只存模型文件路径，不自动带上下文。
立即学习“Python免费学习笔记（深入）”；
- 训练脚本里主动记录：
mlflow.log_param("data_version", hashlib.sha256(open("train.csv", "rb").read()).hexdigest()) - 用
git rev-parse HEAD获取并记录code_version - 注册时传完整 run_id：
mlflow.register_model(f"runs:/{run_id}/model", "my-model")，确保模型版本能反查到全部实验记录
模型版本管理的坑不在“怎么存”，而在“怎么绑”——数据哈希、Git commit、超参、指标这四样缺一不可，少一个，半年后就复现不了。
