MLOps Industrialization

MLOps 工业化技能是一套专业工作流程，旨在弥合初始探索性数据科学工作（通常位于 Jupyter Notebook 或独立脚本中）与生产级软件工程之间的差距。它提供了一种结构化的方法，将代码重构为高质量、可发布的 Python 软件包，确保可扩展性、安全性和长期可维护性。此技能专为机器学习工程师和数据科学家设计，用于将模型和数据管道迁移到对可靠性与可重现性有严格要求的生产环境中。

• 实施 src/ 布局架构以标准化导入路径，并将源代码与配置及 CI/CD 工具隔离。

• 强制执行混合范式，将纯业务逻辑与依赖 I/O 的操作分离，以增强单元测试和架构清晰度。

• 利用 OmegaConf 和 Pydantic 进行严格的配置管理，确保超参数模式在执行前经过验证，并在代码库外安全处理敏感信息。

• 整合标准 MLOps 工具，包括用于依赖管理的 uv、用于代码审查的 Ruff、用于静态类型检查的 MyPy，以及用于完整测试覆盖的 Pytest。

• 在 pyproject.toml 中提供自动化入口点注册，使研究人员能够将研究脚本转换为可安装的命令行工具。

• 工作流程预期输入为实验性笔记或脚本，输出为符合现代软件工程原则的干净、模块化存储库结构。

• 建议用户采用 domain/（纯逻辑）、io/（副作用/API）与 application/（编排）层级分离。

• 确保软件包导入时不会产生任何副作用，以利于测试与部署。

• 使用 Google 风格的文档字符串与严格的类型提示，以改善代码可维护性与团队协作。

• 敏感信息绝不能提交至存储库；务必利用环境变量或安全凭证库集成。