21步MLOps路线图，评论区卡在第13步

X上有人贴了一份面向开发者的MLOps路线图，作者是Dhanian，原推链接在文末。它用ASCII把21个阶段串成一条线，从机器学习基础、Python、软件工程，一直排到LLMOps和端到端流水线。普通读者可以把MLOps理解成：让模型从notebook走到生产环境的一整套工程动作。模型训练只是中间一段，前后全是数据、版本、部署、监控和治理。

路线图主干大致是这样：

1. 机器学习基础：监督学习、无监督学习、深度学习。
2. Python for MLOps：Python、NumPy、Pandas、Scikit-learn。
3. 软件工程：Git、GitHub、测试、整洁代码、API。
4. 数据工程：数据收集、清洗、验证、转换。
5. 数据版本：DVC、Git LFS、数据集管理。
6. 实验跟踪：MLflow、Weights & Biases、Comet ML。
7. 模型开发：训练、验证、超参数优化。
8. 模型版本：MLflow Registry、模型产物、元数据。
9. 模型打包：Python包、Docker、模型容器。
10. 模型服务：FastAPI、Flask、REST API、gRPC。
11. 工作流编排：Airflow、Prefect、Kubeflow、Dagster。
12. 机器学习CI/CD：GitHub Actions、GitLab CI、Jenkins、自动化测试。
13. 基础设施与云：AWS、Azure、GCP、Kubernetes、Terraform。
14. 模型监控：Prometheus、Grafana、Evidently AI、WhyLabs。
15. 模型漂移检测：数据漂移、概念漂移、性能监控。
16. 特征商店：Feast、特征工程、特征服务。
17. 模型优化：量化、剪枝、ONNX、TensorRT、批处理。
18. 模型治理：模型血缘、可复现性、可解释性、审计。
19. LLMOps与生成式AI：LLM部署、RAG、向量数据库、评估、护栏。
20. 生产MLOps项目：预测API、推荐、欺诈检测、图像分类、NLP流水线、实时推理。
21. 端到端MLOps流水线：数据、训练、评估、版本、部署、监控，最终落到生产MLOps工程师。

评论区比路线图更直接。有网友在回复里写，大约走到第13步，你就不再怎么做ML，变成拥有Kubernetes集群的人。这个吐槽很准。第13步是基础设施与云，Kubernetes和Terraform摆在那里，工作内容开始从调模型转向管集群、配云资源、维护部署流水线。路线图没夸张，它只是把岗位现实写出来了：越往后，模型代码占比越低，平台和运维占比越高。招聘写着ML，入职先看YAML，这类错位在MLOps岗位里不新鲜。

对开发者来说，这份清单有几个实在的地方。第5步的数据版本、第6步的实验跟踪、第8步的模型版本、第14步的监控、第15步的漂移检测，都是模型上生产后绕不开的环节。没有这些，训练结果不可复现，线上效果掉了也很难定位。第19步把LLMOps单列出来，RAG、向量数据库、评估和护栏，说明生成式AI把MLOps的边界又往外推了一截。第20步和第21步适合拿来验货：能不能做出预测API、推荐、欺诈检测，能不能把数据、训练、评估、版本、部署、监控串成一条可重复的流水线。

这份路线图可以当检查表，不必当学习顺序。真正分水岭在第13步。只想训模型，到第8步就能交差；要把模型送进生产，13步以后才是账单和值班开始的地方。原推来自Dhanian：链接。Kunal的回复也在原推下面。