---

ZenML专为在企业环境中从事传统机器学习用例、大语言模型工作流或智能体开发的机器学习或人工智能工程师打造。

其核心功能是允许您编写可在任何基础设施后端（堆栈）上运行的工作流（流水线）。您可以在这些流水线中嵌入任何基于Python的逻辑，例如训练模型或执行智能体循环。随后，ZenML会通过以下方式将您的应用投入生产：

1. 自动对代码进行容器化并跟踪；
2. 记录每次运行的指标、日志和元数据；
3. 抽象化基础设施的复杂性；
4. 集成您现有的工具和基础设施，如MLflow、Langgraph、Langfuse、Sagemaker、GCP Vertex等；
5. 在开发和生产环境中，借助可观测层帮助您快速迭代实验。

……以及许多其他功能。

ZenML已被数千家公司用于运行其AI工作流。以下是一些典型案例：

_{（如需被收录为案例，请发送邮件至support@zenml.io）}

🚀 快速入门（5分钟）

# 安装带有服务器功能的ZenML
pip install "zenml[server]"  # 若仅安装“zenml”，则会安装精简版客户端

# 初始化您的ZenML仓库
zenml init

# 启动本地服务器或连接远程服务器
zenml login

之后，您可以探索本仓库中的任意示例。我们建议从快速入门开始，它演示了ZenML的核心概念：流水线、步骤、工件、快照和部署。

🏗️ 架构概览

ZenML采用客户端-服务器架构，并集成了Web仪表盘（zenml-io/zenml-dashboard)：

• 本地开发：pip install "zenml[local]" - 在本地同时运行客户端和服务器
• 生产环境：单独部署服务器，使用pip install zenml + zenml login <server-url>进行连接

🎮 演示

这里有一个简短的演示：

🖼️ 资源

了解 ZenML 的最佳方式是通过我们全面的文档和教程：

• 文档 - 完整的产品文档
• 你的第一个 AI 管道 - 在几分钟内构建并评估一个 AI 服务
• 入门指南 - 30 分钟内从零开始到生产环境
• LLMOps 指南 - 针对 LLM 应用程序的特定模式
• SDK 参考 - 完整的 SDK 参考

📚 更多示例

1. 智能体架构比较 - 使用 LangGraph 工作流、LiteLLM 集成以及自定义物料化器实现自动可视化，比较不同 AI 智能体
2. 部署机器学习模型 - 将传统机器学习模型部署为带有监控和版本控制的生产端点
3. 部署智能体 - 基于管道、评估和嵌入式 Web UI 的文档分析服务
4. 端到端批处理推理 - 包含特征工程的完整 MLOps 流程
5. LLM RAG 管道 - 带有评估循环的生产级 RAG
6. 代理式工作流（深度研究） - 使用 ZenML 协调你的智能体
7. 微调管道 - 微调并部署 LLM

🗣️ 与你的管道对话：ZenML MCP 服务器

不要再通过仪表板来理解你的机器学习工作流了。ZenML MCP 服务器 允许你使用自然语言，通过 Claude Desktop、Cursor 或任何兼容 MCP 的客户端查询你的管道、分析运行情况并触发部署。

💬 “本周哪些管道运行失败了？为什么？”
📊 “给我看看所有客户流失预测模型的准确率指标”
🚀 “用生产数据触发最新的欺诈检测管道”

快速设置：

1. 从 zenml-io/mcp-zenml 下载 .dxt 文件
2. 将其拖入 Claude Desktop 设置中
3. 添加你的 ZenML 服务器 URL 和 API 密钥
4. 开始与你的机器学习基础设施对话

MCP（模型上下文协议）集成将你的 ZenML 元数据转化为对话式的洞察，使管道调试和分析变得像提问一样简单。非常适合希望在无需仪表板专业知识的情况下， democratize 访问机器学习运维的团队。

🎓 书籍与资源

ZenML 被收录在这些关于生产级 AI 系统的综合指南中。

🤝 加入正在构建 AI 未来的人工智能工程师社区

贡献：

• 🌟 在 GitHub 上为我们点赞 - 帮助更多人发现 ZenML
• 🤝 贡献指南 - 从 good-first-issue 开始
• 💻 编写集成 - 添加你喜欢的工具

保持更新：

• 🗺 公开路线图 - 了解接下来的计划
• 📰 博客 - 最佳实践和案例研究
• 🎙 Slack - 与人工智能从业者交流

❓ 来自像你一样的机器学习工程师的常见问题解答

Q: “我需要重写我的智能体或模型才能使用 ZenML 吗？”

A: 不需要。只需将现有代码包裹在 @step 中即可。你可以继续使用 scikit-learn、PyTorch、LangGraph、LlamaIndex 或原生 API 调用。ZenML 协调你的工具，而不是取代它们。

Q: “这和 LangSmith/Langfuse 有什么不同？”

A: 它们为 LLM 应用提供了出色的可观测性。而我们则编排你整个 AI 技术栈的 完整 MLOps 生命周期。借助 ZenML，你可以在一个统一的框架中管理传统的机器学习模型和 AI 智能体，从开发、评估到生产部署。

Q: “我可以使用现有的 MLflow/W&B 配置吗？”

A: 当然可以！ZenML 与 MLflow 和 Weights & Biases 都能无缝集成。你的实验，我们的管道。

Q: “这不就是多了几个步骤的 MLflow 吗？”

A: 不是。MLflow 主要用于跟踪实验。而我们则编排整个开发流程——从训练、评估到部署和监控——无论是模型还是智能体。

Q: “如何将 ZenML 配置为与 Kubernetes 一起使用？”

A: ZenML 可以通过原生 Kubernetes 编排器、Kubeflow 以及其他基于 K8s 的编排器与 Kubernetes 集成。请参阅我们的 Kubernetes 编排器指南 和 Kubeflow 指南，以及 部署文档。

Q: “成本方面呢？我负担不起另一个平台。”

A: ZenML 的开源版本永久免费。你很可能已经具备所需的基础设施（如 Kubernetes 集群和对象存储）。我们只是帮助你更好地利用这些资源进行 MLOps。

🛠 VS Code / Cursor 扩展

直接从编辑器管理管道：

🖥️ VS Code 扩展实操演示！

可从 VS Code Marketplace 安装。

📜 许可证

ZenML 根据 Apache 许可证第 2.0 版的条款进行分发。详情请参阅 LICENSE。

---

ZenML 快速上手指南

ZenML 是一个专为机器学习（ML）和 AI 工程师设计的开源平台，支持从传统 ML 用例到 LLM 工作流及智能体（Agents）的全流程编排。它允许你编写可运行在任何基础设施后端的工作流（Pipelines），并自动处理容器化、实验追踪和部署等运维复杂性。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (WSL2 推荐)。
• Python 版本：Python 3.8 - 3.12。
• 包管理工具：pip。
• 前置依赖：建议在一个干净的虚拟环境中进行安装（如 venv 或 conda），以避免依赖冲突。

国内加速提示：如果下载速度较慢，建议使用国内镜像源（如清华源或阿里源）进行安装。

安装步骤

1. 安装 ZenML

你可以选择安装完整版本（包含本地服务器功能）或精简客户端版本。对于初学者，推荐安装包含服务器功能的版本以便在本地体验完整流程。

使用官方源安装：

pip install "zenml[server]"

使用国内镜像源加速安装（推荐）：

pip install "zenml[server]" -i https://pypi.tuna.tsinghua.edu.cn/simple

注：如果仅需客户端连接远程服务器，可运行 pip install zenml。

2. 初始化项目

在安装完成后，需要在你的项目目录中初始化 ZenML 仓库。这将创建必要的配置文件和目录结构。

zenml init

3. 启动服务

初始化后，登录并启动本地 ZenML 服务器。这将同时在后台运行服务器并打开 Web 仪表盘，方便你可视化查看管道运行状态。

zenml login

• 如果是首次运行，该命令会自动启动本地服务器。
• 如果需要连接已有的远程服务器，请使用 zenml login <server-url>。

基本使用

ZenML 的核心概念是将代码封装为 Steps（步骤） 并将它们组合成 Pipelines（管道）。以下是一个最简单的示例，展示如何定义并运行一个管道。

1. 创建第一个管道脚本

新建一个文件 run_pipeline.py，写入以下代码：

from zenml import pipeline, step

@step
def load_data() -> str:
    return "Hello, ZenML!"

@step
def process_data(data: str) -> str:
    return f"Processed: {data}"

@pipeline
def my_first_pipeline():
    raw_data = load_data()
    processed_data = process_data(raw_data)
    return processed_data

if __name__ == "__main__":
    # 运行管道
    result = my_first_pipeline()
    print(result)

2. 运行管道

在终端中执行该脚本：

python run_pipeline.py

3. 查看结果

• 终端输出：你将看到打印的结果 Processed: Hello, ZenML!。
• Web 仪表盘：运行 zenml login 后打开的浏览器页面（通常位于 http://127.0.0.1:8237）将显示此次运行的详细信息，包括步骤执行情况、日志和元数据。

下一步探索

完成上述步骤后，你可以尝试运行官方提供的示例来深入学习：

# 克隆仓库获取示例代码
git clone https://github.com/zenml-io/zenml.git
cd zenml/examples/quickstart

# 运行快速入门示例
python run.py

该示例涵盖了管道、步骤、工件（Artifacts）、快照和部署等核心概念。更多高级用法（如 LLM RAG 管道、Agent 编排）请参考 ZenML 官方文档。