一、MLOps（机器学习运维） ：MLOps =DevOps +DataOps +ModelOps
使用MLOps应用到端到端、全生命周期的数据+AI/ML运营模型，可以看做是"数据驱动业务"与"AI模型落地"两大流程的集成视图
万能作业流水线
Organize（管数据）---->Engineer(做特征)---->Science(建模型)--->Deploy （上线）→ Analyze（看效果）
可应用的业务场景：
1.制造业质量监测
采集MES传感器-->实时流式处理--->训练缺陷分类模型--->部署在边缘网关--->产线大屏报警
2.零售智能补货
POS交易数据（Batch）------>特征聚合 → 销量时序模型 → 每日自动输出补货建议到 ERP。
二、传统的ML交付 vs MLOps 交付
传统ML交付：手动jupyter---->手动打包--->手动部署--->人工监控
（一次部署2-4周 ）（数据/模型/代码版本错位，无法复现）
**MLOps交付：**Git Push触发流水线--->自动训练----> 自动评测--->灰色法棍
（一天内部署N次） （任意版本三元组可秒级还原）
三、DevOps CI/CD 对于测试人员必备
|----------------------|---------------------------|---------------------------------------------|
| 阶段 | 功能 | 工具 |
| #### 代码提交阶段（Pre-CI） | 本地钩子 Pre-commit | pre-commit 框架 + black、flake8、pytest |
| #### 持续集成阶段（CI） | 自动单元测试 | GitHub Actions / GitLab CI / Jenkins |
| #### 持续集成阶段（CI） | 代码覆盖率门禁 | pytest-cov + codecov |
| #### 持续集成阶段（CI） | 静态代码扫描 | SonarQube、SpotBugs、ESLint |
| #### 持续集成阶段（CI） | 安全扫描（SAST/DAST） | safe（ python）、npm audit 、ZAP |
| #### 制品构建阶段（Build） | 容器镜像冒烟测试 | docker build--->Docker run--->curl/health |
| #### 部署阶段（CD） | 多环境自动部署 | Argo CD / GitLab CD / Jenkins X |
| #### 部署阶段（CD） | 数据库 Schema 迁移验证 | Flyway / Liquibase + 自写校验 SQL |
| #### 测试加速阶段（CI-Test） | 并行 UI 自动化 | playwright test --workers=8 |
| #### 测试加速阶段（CI-Test） | 契约测试（Consumer-Driven Test | Pact JS / Spring Cloud Contract |
| #### 测试加速阶段（CI-Test） | 性能基线测试 | Gatling / k6 |
| #### 上线后阶段（Post-CD） | 生产可观测性断言 | PromQL + Grafana |
| #### 上线后阶段（Post-CD） | 自动回滚与复盘 | Argo Rollouts + Flagger + ChatOps |
四、MLOps CI/CD vs DevOps CI/CD架构
DevOps CI/CD：完全开源，任选 Jenkins/GitLab CI/GitHub Actions 就能用
MLOps CI/CD：也已开源成熟，MLflow+Kubeflow+DVC+Evidently+Feast 组合就能实现"数据-模型-代码"三元组持续交付
