[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Azure--mlops-v2":3,"tool-Azure--mlops-v2":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":148},4547,"Azure\u002Fmlops-v2","mlops-v2","Azure MLOps (v2) solution accelerators. Enterprise ready templates to deploy your machine learning models on the Azure Platform. ","mlops-v2 是微软专为 Azure 云平台打造的 MLOps（机器学习运维）解决方案加速器。它提供了一套企业级的模板和模块化架构，旨在帮助团队快速、安全地将机器学习模型从实验阶段部署到生产环境。\n\n在传统的 AI 开发中，模型上线往往面临流程繁琐、协作困难以及环境不一致等挑战。mlops-v2 通过预置的可重复自动化工作流，解决了这些痛点，确保了部署过程的标准化与安全性，让数据科学团队能更专注于算法创新而非基础设施搭建。\n\n这套工具特别适合需要在 Azure 上构建稳健 AI 流水线的开发者、数据科学家及企业运维工程师。无论是初创团队还是大型组织，都能利用其灵活的模板根据具体需求进行定制。\n\n其核心技术亮点在于“模块化”与“端到端”的设计理念。用户可以根据项目规模自由组合组件，并支持通过 Azure DevOps 或 GitHub 两种主流平台进行基础设施即代码（IaC）管理。借助 Terraform 等工具，mlops-v2 能在数小时内完成复杂环境的搭建，真正实现高效协作与企业级就绪，是让机器学习项目落地的得力助手。","# Azure MLOps (v2) Solution Accelerator\n\n![Header](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_mlops-v2_readme_2b8ba0d8bacf.jpg)\n\nWelcome to the MLOps (v2) solution accelerator repository! This project is intended to serve as the starting point for MLOps implementation in Azure.\n\nMLOps is a set of repeatable, automated, and collaborative workflows with best practices that empower teams of ML professionals to quickly and easily get their machine learning models deployed into production. You can learn more about MLOps here:\n\n- [MLOps with Azure Machine Learning](https:\u002F\u002Fazure.microsoft.com\u002Fservices\u002Fmachine-learning\u002Fmlops\u002F#features)\n- [Cloud Adoption Framework Guidance](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fcloud-adoption-framework\u002Fready\u002Fazure-best-practices\u002Fai-machine-learning-mlops)\n- [How: Machine Learning Operations](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning\u002Fconcept-model-management-and-deployment)\n\n## Project overview\n\nThe solution accelerator provides a modular end-to-end approach for MLOps in Azure based on pattern architectures. As each organization is unique, solutions will often need to be customized to fit the organization's needs.\n\nThe solution accelerator goals are:\n\n- Simplicity\n- Modularity\n- Repeatability & Security\n- Collaboration\n- Enterprise readiness\n\nIt accomplishes these goals with a template-based approach for end-to-end data science, driving operational efficiency at each stage. You should be able to get up and running with the solution accelerator in a few hours.\n\n## Prerequisites\n\n1. An Azure subscription. If you don't have an Azure subscription, [create a free account](https:\u002F\u002Fazure.microsoft.com\u002Fen-us\u002Ffree\u002Fmachine-learning\u002Fsearch\u002F?OCID=AIDcmm5edswduu_SEM_822a7351b5b21e0f1ffe102c9ca9e99f:G:s&ef_id=822a7351b5b21e0f1ffe102c9ca9e99f:G:s&msclkid=822a7351b5b21e0f1ffe102c9ca9e99f) before you begin.\n    * **Important** - If you use either a Free\u002FTrial, or similar learning purpose subscriptions like Visual Studio Premium with MSDN, some provisioning tasks might not run as expected due to limitations imposed on 'Usage + quotas' on your subscription. To help you succeed, we have provided specific instructions before provisioning throughout the guide, and you are highly advised to read those instructions carefully\n2. For Azure DevOps-based deployments and projects:\n    * [Azure CLI](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fcli\u002Fazure\u002Finstall-azure-cli) with `azure-devops` extension.\n    * [Terraform extension for Azure DevOps](https:\u002F\u002Fmarketplace.visualstudio.com\u002Fitems?itemName=ms-devlabs.custom-terraform-tasks) if you are using Terraform to spin up infrastructure\n3. For GitHub-based deployments and projects:\n    * [Azure CLI](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fcli\u002Fazure\u002Finstall-azure-cli)\n    * [GitHub client](https:\u002F\u002Fcli.github.com\u002F)\n3. Git bash, WSL, or another shell script editor on your local machine\n\n## Documentation\n\n1. [Solution Accelerator Concepts and Structure](documentation\u002Fstructure\u002FREADME.md) - Philosophy and organization\n2. [Architectural Patterns](documentation\u002Farchitecture\u002FREADME.md) - Supported Machine Learning patterns\n3. [Accelerator Deployment Guides](documentation\u002Fdeployguides\u002FREADME.md) - How to deploy and use the soluation accelerator with Azure DevOps or GitHub\n4. Quickstarts - Precreated project scenarios for demos\u002FPOCs. [Azure DevOps ADO Quickstart](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fmachine-learning\u002Fhow-to-setup-mlops-azureml?tabs=azure-shell). \n5. YouTube Videos: [Deploy MLOps on Azure in Less Than an Hour](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5yPDkWCMmtk) and [AI Show](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=xaW_A0sV6PU)\n\n## Contributing\n\nThis project welcomes contributions and suggestions. To learn more visit the contributing section, see [CONTRIBUTING.md](CONTRIBUTING.md) for details.\n\nMost contributions require you to agree to a Contributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us the rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\n\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide a CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions provided by the bot. You will only need to do this once across all repos using our CLA.\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F). For more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or contact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft\ntrademarks or logos is subject to and must follow\n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n","# Azure MLOps（v2）解决方案加速器\n\n![页眉](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_mlops-v2_readme_2b8ba0d8bacf.jpg)\n\n欢迎来到 MLOps（v2）解决方案加速器仓库！本项目旨在作为在 Azure 中实施 MLOps 的起点。\n\nMLOps 是一套可重复、自动化且协作的工作流，结合最佳实践，使机器学习专业团队能够快速、轻松地将其模型部署到生产环境。您可在此了解更多关于 MLOps 的信息：\n\n- [使用 Azure 机器学习的 MLOps](https:\u002F\u002Fazure.microsoft.com\u002Fservices\u002Fmachine-learning\u002Fmlops\u002F#features)\n- [云采用框架指南](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fcloud-adoption-framework\u002Fready\u002Fazure-best-practices\u002Fai-machine-learning-mlops)\n- [如何：机器学习运营](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning\u002Fconcept-model-management-and-deployment)\n\n## 项目概述\n\n该解决方案加速器基于模式架构，为 Azure 中的 MLOps 提供模块化的端到端方法。由于每个组织都有其独特性，解决方案通常需要根据组织的具体需求进行定制。\n\n解决方案加速器的目标是：\n\n- 简单性\n- 模块化\n- 可重复性与安全性\n- 协作\n- 企业级就绪\n\n它通过基于模板的端到端数据科学方法来实现这些目标，在每个阶段推动运营效率的提升。您应该能够在几个小时内启动并运行该解决方案加速器。\n\n## 先决条件\n\n1. 一个 Azure 订阅。如果您还没有 Azure 订阅，请在开始之前[创建一个免费账户](https:\u002F\u002Fazure.microsoft.com\u002Fen-us\u002Ffree\u002Fmachine-learning\u002Fsearch\u002F?OCID=AIDcmm5edswduu_SEM_822a7351b5b21e0f1ffe102c9ca9e99f:G:s&ef_id=822a7351b5b21e0f1ffe102c9ca9e99f:G:s&msclkid=822a7351b5b21e0f1ffe102c9ca9e99f)。\n    * **重要提示** - 如果您使用的是免费试用版或类似的学习用途订阅（如包含 MSDN 的 Visual Studio Premium），由于订阅上的“使用量+配额”限制，某些资源调配任务可能无法按预期执行。为了帮助您顺利完成操作，我们在整个指南中提供了具体的调配前说明，强烈建议您仔细阅读这些说明。\n2. 对于基于 Azure DevOps 的部署和项目：\n    * 安装带有 `azure-devops` 扩展的 [Azure CLI](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fcli\u002Fazure\u002Finstall-azure-cli)。\n    * 如果您使用 Terraform 来搭建基础设施，请安装 [适用于 Azure DevOps 的 Terraform 扩展](https:\u002F\u002Fmarketplace.visualstudio.com\u002Fitems?itemName=ms-devlabs.custom-terraform-tasks)。\n3. 对于基于 GitHub 的部署和项目：\n    * 安装 [Azure CLI](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fcli\u002Fazure\u002Finstall-azure-cli)。\n    * 安装 [GitHub 客户端](https:\u002F\u002Fcli.github.com\u002F)。\n4. 在您的本地机器上安装 Git Bash、WSL 或其他 Shell 脚本编辑器。\n\n## 文档\n\n1. [解决方案加速器概念与结构](documentation\u002Fstructure\u002FREADME.md) - 哲学与组织方式\n2. [架构模式](documentation\u002Farchitecture\u002FREADME.md) - 支持的机器学习模式\n3. [加速器部署指南](documentation\u002Fdeployguides\u002FREADME.md) - 如何使用 Azure DevOps 或 GitHub 部署和使用解决方案加速器\n4. 快速入门 - 用于演示或 POC 的预创建项目场景。[Azure DevOps ADO 快速入门](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fmachine-learning\u002Fhow-to-setup-mlops-azureml?tabs=azure-shell)。\n5. YouTube 视频：[不到一小时在 Azure 上部署 MLOps](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5yPDkWCMmtk) 和 [AI Show](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=xaW_A0sV6PU)。\n\n## 贡献\n\n本项目欢迎贡献和建议。如需了解更多信息，请访问贡献部分，详情请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n大多数贡献都需要您同意贡献者许可协议（CLA），声明您有权并将实际授予我们使用您贡献的权利。有关详细信息，请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记 PR（例如状态检查、评论）。只需按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需完成一次此操作。\n\n本项目已采纳 [微软开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。如需更多信息，请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F)，或发送电子邮件至 [opencode@microsoft.com](mailto:opencode@microsoft.com) 提出任何额外的问题或意见。\n\n## 商标\n\n本项目可能包含项目、产品或服务的商标或徽标。未经授权使用 Microsoft 商标或徽标须遵守并遵循 [Microsoft 商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。在本项目的修改版本中使用 Microsoft 商标或徽标时，不得造成混淆或暗示 Microsoft 的赞助。任何第三方商标或徽标的使用均应遵守相关第三方的政策。","# Azure MLOps (v2) 快速上手指南\n\n本指南旨在帮助开发者快速在 Azure 上搭建基于最佳实践的 MLOps（机器学习运维）环境。该方案加速器提供了模块化、可重复且安全的工作流模板，助您在数小时内完成从开发到生产部署的闭环。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求和前置依赖：\n\n### 1. Azure 订阅\n- 您需要一个有效的 **Azure 订阅**。\n- **注意**：如果您使用的是免费试用版（Free\u002FTrial）或类似 Visual Studio Premium with MSDN 的学习用途订阅，部分资源预配任务可能因“用量 + 配额”限制而失败。请务必仔细阅读部署指南中的具体说明。\n\n### 2. 本地开发环境\n- **操作系统**：Windows (Git Bash\u002FWSL), macOS 或 Linux。\n- **Shell 工具**：安装 Git Bash、WSL 或其他支持 Shell 脚本的终端编辑器。\n\n### 3. 命令行工具（根据部署平台选择）\n\n**通用要求：**\n- [Azure CLI](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fcli\u002Fazure\u002Finstall-azure-cli)\n\n**如果您使用 Azure DevOps 进行部署：**\n- Azure CLI 需安装 `azure-devops` 扩展：\n  ```bash\n  az extension add --name azure-devops\n  ```\n- 若使用 Terraform 管理基础设施，需在 Azure DevOps 市场安装 [Terraform extension](https:\u002F\u002Fmarketplace.visualstudio.com\u002Fitems?itemName=ms-devlabs.custom-terraform-tasks)。\n\n**如果您使用 GitHub 进行部署：**\n- [GitHub CLI](https:\u002F\u002Fcli.github.com\u002F)\n\n## 安装步骤\n\n本项目采用基于模板的方法，以下是初始化的核心步骤：\n\n### 1. 克隆仓库\n将解决方案加速器代码克隆到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2.git\ncd mlops-v2\n```\n\n### 2. 配置 Azure 登录\n使用 Azure CLI 登录您的订阅：\n```bash\naz login\naz account set --subscription \"\u003C您的订阅 ID>\"\n```\n\n### 3. 选择部署路径\n根据您选择的 CI\u002FCD 平台（Azure DevOps 或 GitHub），参考 `documentation\u002Fdeployguides\u002F` 目录下的具体指南执行预配脚本。\n\n**示例：初始化基础架构（以通用流程为例）**\n通常需要通过运行提供的脚本来创建资源组、Azure Machine Learning 工作区及相关权限：\n```bash\n# 进入部署脚本目录（具体路径视架构模式而定）\ncd scripts\u002Fsetup \n\n# 执行预配脚本 (示例命令，具体参数请参考 deployguides 文档)\n.\u002Fdeploy_infrastructure.sh --subscription \u003CSUB_ID> --resource-group \u003CRG_NAME> --location \u003CREGION>\n```\n*注：详细的参数配置和自动化脚本请查阅 `documentation\u002Fdeployguides\u002FREADME.md`。*\n\n## 基本使用\n\n完成环境部署后，您可以利用预定义的模板快速启动一个端到端的机器学习项目。\n\n### 场景：运行一个简单的训练与部署流水线\n\n1. **准备数据与代码**\n   在 `src` 目录下找到示例笔记本或脚本，上传您的数据集到已创建的 Azure Blob Storage 或 Datastore。\n\n2. **触发流水线**\n   - **Azure DevOps**: 在 Azure DevOps 管道界面，导入仓库中的 YAML 定义文件，手动触发构建。\n   - **GitHub Actions**: 推送代码到远程仓库，自动触发 `.github\u002Fworkflows` 下定义的 MLOps 工作流。\n\n3. **监控与验证**\n   登录 [Azure Machine Learning Studio](https:\u002F\u002Fml.azure.com\u002F)，查看实验运行状态、模型注册表以及部署到的实时终结点。\n\n### 快速演示推荐\n若想通过预设场景快速体验（POC），建议参考官方提供的快速入门指南：\n- [Azure DevOps 快速入门](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fmachine-learning\u002Fhow-to-setup-mlops-azureml?tabs=azure-shell)\n- 观看视频教程：[Deploy MLOps on Azure in Less Than an Hour](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5yPDkWCMmtk)\n\n通过以上步骤，您已成功建立起一套符合企业级标准的 MLOps 流程，可在此基础上根据业务需求进行定制化开发。","某大型零售企业的算法团队正试图将开发好的“动态定价模型”从本地实验环境迁移至 Azure 生产环境，以支持每日千万级的实时交易决策。\n\n### 没有 mlops-v2 时\n- **部署流程手工化**：数据科学家需手动在 Azure 门户配置资源、编写复杂的 ARM 模板或 Terraform 脚本，耗时数天且极易因人为操作失误导致环境不一致。\n- **协作壁垒高企**：开发团队与运维团队缺乏统一的标准接口，模型交付时常出现依赖缺失或权限配置错误，导致反复沟通返工。\n- **安全合规难落地**：企业级的网络安全策略、身份验证及审计日志需要从零构建，难以快速满足金融级数据的合规要求。\n- **迭代周期漫长**：每次模型更新都需要重新走一遍繁琐的部署流程，无法实现自动化持续集成\u002F持续部署（CI\u002FCD），严重拖慢业务响应速度。\n\n### 使用 mlops-v2 后\n- **一键标准化部署**：利用 mlops-v2 提供的企业级模板，团队可在几小时内自动搭建起包含完整基础设施的生产环境，消除手动配置误差。\n- **模块化协同开发**：基于预设的模块化架构，数据科学家与工程师在同一套标准化流程下协作，模型交付即插即用，大幅降低沟通成本。\n- **内建企业级安全**：模板原生集成了符合云采用框架（CAF）的安全最佳实践，自动落实网络隔离、访问控制及审计机制，确保合规无忧。\n- **自动化高效迭代**：内置的 CI\u002FCD 流水线让模型训练完成后自动触发测试与部署，将新策略上线时间从数周缩短至数小时。\n\nmlops-v2 通过提供开箱即用的企业级模板，将原本复杂脆弱的模型部署过程转化为简单、安全且可重复的自动化工作流，真正释放了机器学习在生产环境中的商业价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_mlops-v2_2b8ba0d8.jpg","Azure","Microsoft Azure","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAzure_6a5873eb.png","APIs, SDKs and open source projects from Microsoft Azure",null,"https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fazure\u002F","https:\u002F\u002Fgithub.com\u002FAzure",[80],{"name":81,"color":82,"percentage":83},"Shell","#89e051",100,619,331,"2026-04-03T12:09:10","MIT",4,"Windows, Linux, macOS","未说明",{"notes":92,"python":90,"dependencies":93},"该工具是 Azure MLOps 解决方案加速器，主要依赖云端资源而非本地计算资源。运行前必须拥有 Azure 订阅账号（免费或试用账号可能存在配额限制）。本地环境需安装 Azure CLI、Git Bash、WSL 或其他 Shell 脚本编辑器。根据部署方式不同（Azure DevOps 或 GitHub），需额外安装对应的扩展插件（如 azure-devops 扩展、Terraform 任务扩展或 GitHub CLI）。",[94,95,96,97],"Azure CLI","azure-devops extension","Terraform extension for Azure DevOps","GitHub CLI",[14,13],[100,101,102,103,104,105,106,107,108,109,110,111],"azure","azuremachinelearning","azureml","deep-learning","devops","machine-learning","microsoft","mlops","mlops-workflow","mlops-environment","mlops-template","mlops-project","2026-03-27T02:49:30.150509","2026-04-07T01:47:38.989373",[115,120,125,130,135,139,143],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},20686,"在使用 XGBoost 模型创建 Responsible AI 仪表盘时遇到 'ModuleNotFoundError: No module named xgboost' 错误，如何解决？","该错误通常是因为负责加载模型的 Azure ML 环境中未安装 xgboost 库。虽然模型训练和注册成功，但 RAI Insights 组件在加载模型时需要重新反序列化（使用 cloudpickle），此时需要环境中存在对应的库。\n解决方案：\n1. 检查并修改 `create_rai_insights.py` 或相关的 pipeline 配置文件，确保运行 RAI 组件的环境（environment）中包含了 xgboost 依赖。\n2. 如果使用的是自定义环境，请在 conda 或 pip 依赖文件中显式添加 `xgboost`。\n3. 确认在 Azure ML Studio 中运行的作业确实使用了更新后的代码和环境配置，有时本地修改未同步到云端会导致此问题。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fissues\u002F67",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},20687,"使用 AML CLI 部署训练管道时，为什么会出现作业名称验证失败的错误？","这是因为 Azure ML 的作业命名规范不允许使用连字符（hyphens, `-`）。\n解决方案：\n1. 打开 `pipeline.yml` 文件。\n2. 将所有作业名称（job names）中的连字符 `-` 替换为下划线 `_`。\n3. 确保管道中其他引用这些作业步骤的地方（如输入输出绑定）也同步更新了名称。\n示例修改：\n将 `prep-job` 改为 `prep_job`，将 `train-job` 改为 `train_job` 等。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fissues\u002F18",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},20688,"Azure DevOps (ADO) 管道在运行约 70-75 分钟后失败，但 Azure ML 中的实际训练已成功完成，这是什么原因？","这是一个已知的 Azure DevOps 代理监听器问题，当底层计算长时间运行时，ADO 代理可能无法保持连接，导致管道报告失败，即使 Azure ML 侧的任务（如模型注册）已成功。\n解决方案：\n1. 不要仅依赖 ADO 管道的状态。登录 Azure ML Studio 检查具体的作业状态和产物（如注册的模型）。\n2. 如果 Azure ML 中显示成功且产物已生成，可以忽略 ADO 管道的报错。\n3. 建议在部署文档或前置条件中注意：使用免费试用订阅或特定类型的订阅时更容易遇到此类超时限制，生产环境建议检查代理配置或增加超时设置。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fissues\u002F123",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},20689,"运行 'Create Bicep Deployment' 作业时遇到 'StorageAccountAlreadyTaken' 错误，提示存储账户名称已被占用，如何解决？","Azure 存储账户名称在全球范围内必须是唯一的。默认模板生成的名称可能与其他用户冲突。\n解决方案：\n1. 打开配置文件 `config-infra-dev.yml` 和 `config-infra-prod.yml`。\n2. 找到定义存储账户名称的行（通常包含 `st$(namespace)$(postfix)$(environment)`）。\n3. 修改 `namespace` 或 `postfix` 变量，加入公司缩写、个人姓名首字母或随机字符串，以确保名称全局唯一。\n注意：同时需检查 Key Vault 名称，其长度必须在 3-24 个字符之间，且只能包含字母和数字，不能以连字符开头或结尾，也不能有连续的连字符。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fissues\u002F8",{"id":136,"question_zh":137,"answer_zh":138,"source_url":124},20690,"在 Azure DevOps 管道中修改了代码（如 pipeline.yml 或 python 脚本），但重新运行管道时更改不生效，原因是什么？","这通常是因为 Azure DevOps 管道中的 `Cache@2` 任务缓存了旧的依赖或文件，导致新更改未被拉取。\n解决方案：\n1. 找到管道定义文件（如 `install-az-cli.yml` 或主管道文件）。\n2. 移除 `Cache@2` 任务步骤，或者正确配置缓存键（cache key）以确保在代码变更时失效。\n3. 另一种方法是手动在 ADO 界面中删除现有的缓存数据，然后重新运行管道。\n移除缓存任务后，管道每次运行都会重新获取最新代码和依赖。",{"id":140,"question_zh":141,"answer_zh":142,"source_url":134},20691,"在部署基础设施时遇到 Key Vault 名称无效的错误，提示名称长度或字符不符合要求，如何修复？","Azure Key Vault 的名称有严格限制：必须是 3 到 24 个字符，仅包含字母和数字，必须以字母开头，以字母或数字结尾，且不能包含连续的连字符。\n解决方案：\n1. 检查 `config-infra-prod.yml` 或相关配置文件中定义的 `namespace` 和 `postfix` 变量。\n2. 缩短生成的名称，确保总长度不超过 24 个字符。\n3. 移除名称中的特殊字符或非必要的连字符。\n例如，如果生成的名称是 `kv-mlopsv2zhanxia-2022prod`（过长），应将其修改为更短的合法名称，如 `kv-mlopsv2zx2022`。",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},20692,"如何在 Azure DevOps 管道中解决运行模型训练管道时的授权错误（Authorization error）？","授权错误通常与服务主体（Service Principal）权限或 Key Vault 秘密配置有关。\n解决方案：\n1. 检查错误信息中提到的具体 Key Vault 秘密名称（例如 `kvmonitoringspke`）。\n2. 登录 Azure Portal，进入对应的 Key Vault。\n3. 确认该秘密是否存在，且名称拼写完全一致。\n4. 检查运行管道的 Azure DevOps Service Connection 所关联的服务主体是否具有该 Key Vault 的“获取（Get）”和“列表（List）”权限。\n5. 确保服务主体也被授予了 Azure ML 工作空间的相应角色（如贡献者或特定数据角色）。","https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fissues\u002F66",[149,154,159],{"id":150,"version":151,"summary_zh":152,"released_at":153},126653,"v1.1.1","## 变更内容\n* @setuc 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F95 中更新了 README.MD 文件\n* @timschps 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F89 中添加了关于使用 WSL 时的背景信息和说明\n* @sdonohoo 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F108 中更新了 ADO 部署指南\n* @ncostar 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F110 中修改了 ADO 仓库初始化脚本，以支持不同的仓库名称\n* @strugdt 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F125 中更新了 ADO\u002FGH 指南（GitHub 问题 - 123、124）\n* @JawadAminMSFT 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F126 中添加了创建不带系统分配或用户分配托管标识的计算实例的说明\n* @HoussemDellai 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F132 中修复了文档和 ADO 管道中的问题\n\n## 新贡献者\n* @ncostar 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F110 中完成了首次贡献\n* @strugdt 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F125 中完成了首次贡献\n* @JawadAminMSFT 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F126 中完成了首次贡献\n* @HoussemDellai 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F132 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fcompare\u002Fv1.1.0...v1.1.1","2025-09-09T23:59:50",{"id":155,"version":156,"summary_zh":157,"released_at":158},126654,"v1.1.0","该代码库现已包含以下已实现的模式：\n\n**1. 经典\u002F表格型机器学习模型**\n        a. 支持 Azure DevOps 和 GitHub Actions，包括通过这两个平台部署基础设施。\n        b. 支持基于 Azure 数据资源管理器的监控、数据漂移检测和异常检测。该功能已针对 Terraform 启用，可通过 Python SDK v1 或 Azure ML CLI v2 (aml-cli-v2) 调用。\n        c. 可部署在线端点和批处理端点。\n        d. 支持使用 Azure ML (AML) CLI v2、Python SDK V1 和 V2 构建 MLOps 流水线。\n        e. 包含负责任 AI 模块和 Python 测试模块。\n        f. 支持 Feathr 特征存储。\n\n**2. 计算机视觉 (CV) 模型**\n        a. 支持 Azure DevOps 和 GitHub Actions。请注意，GitHub Actions 目前仅适用于 Azure ML CLI v2 (aml-cli-v2)。\n        b. 支持使用 Azure ML (AML) CLI v2 和 Python SDK V1 构建 MLOps 流水线。\n        c. 可部署在线端点和批处理端点。\n\n**3. 自然语言处理 (NLP) 模型**\n        a. 支持 Azure DevOps 和 GitHub Actions。请注意，GitHub Actions 目前仅适用于 Azure ML CLI v2 (aml-cli-v2)。\n        b. 支持使用 Azure ML (AML) CLI v2 和 Python SDK V2 构建 MLOps 流水线。\n        c. 可部署在线端点和批处理端点。\n\n本次发布中还包括其他模式：\n* 改进了 GitHub Actions 和 Azure DevOps 的文档，相关文档可在主 GitHub 仓库中找到：[链接](https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fblob\u002Fmain\u002Fdocumentation\u002Fdeployguides\u002FREADME.md)\n* 提供了在模板中使用单个或可重复步骤的模板。这些模板适用于 GitHub Actions 和 Azure DevOps（CLI 和 SDK）。模板仓库地址为：https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-templates\n* 多数据集注册\n* 使用第三方\u002F外部容器。支持通过 Docker 容器中的 pip install 进行 Dependabot Python 包扫描。\n* 支持安全的工作区\n* 使用 Azure DevOps 的快速部署示例；[GitHub](https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2-ado-demo) 和 [Microsoft Learn](https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fmachine-learning\u002Fhow-to-setup-mlops-azureml?tabs=azure-shell)\n* Feathr 特征存储：将 Feathr 集成到 MLOps V2 扩展架构中作为企业级特征存储，使用 Terraform 脚本部署 Feathr，并运行一个简单的经典机器学习示例。\n\n## 变更内容\n* @cindyweng 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F53 中更新了 sparse_checkout.sh 脚本\n* @cindyweng 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F57 中更新了文档以反映 GHA 基础设施的变化\n* @cindyweng 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F60 中修正了指向正确仓库的链接\n* @akritim 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F61 中更新了 QUICKSTART.md 文件\n* @drosevear 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F54 中添加了 Azure DevOps 仓库初始化脚本\n* @setuc 在 https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-v2\u002Fpull\u002F 中添加了功能\u002F问题模板","2023-02-09T14:24:01",{"id":160,"version":161,"summary_zh":162,"released_at":163},126655,"v1.0.0","该代码库现已包含以下已实现的模式：\n\n**1. 经典\u002F表格型机器学习模型**\n        a. 支持 Azure DevOps 和 GitHub Actions。请注意，GitHub Actions 仅适用于 Azure ML CLI v2 (aml-cli-v2)。\n        b. 支持基于 Azure 数据资源管理器的监控、数据漂移检测和异常检测。此功能已针对 Terraform 启用，可通过 Python SDK v1 或 Azure ML CLI v2 (aml-cli-v2) 调用。\n        c. 可部署在线端点和批处理端点。\n\n**2. 计算机视觉 (CV) 模型**\n        a. 支持 Azure DevOps 和 GitHub Actions。请注意，GitHub Actions 仅适用于 Azure ML CLI v2 (aml-cli-v2)。\n        b. 目前尚不支持监控功能。\n        c. 可部署在线端点和批处理端点。\n\n**3. 自然语言处理 (NLP) 模型**\n        a. 仅支持通过 Azure ML CLI v2 (aml-cli-v2) 在 Azure DevOps 中使用。\n        b. 目前尚不支持监控功能。\n        c. 可部署在线端点和批处理端点。\n\n本次发布中包含的其他模式\n* 用于在模板中使用单个或可重复步骤的模板。这些模板适用于 GitHub Actions 和 Azure DevOps（CLI 和 SDK）。模板仓库地址如下：https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-templates\n* 多个数据集的注册\n* 使用第三方\u002F外部容器。支持通过 Docker 容器中的 pip install 进行 Dependabot Python 包扫描。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002FAzure\u002Fmlops-project-template\u002Fcommits\u002Fv1.0.0","2022-09-02T12:02:52"]