mlops-workload-orchestrator

在AWS上标准化编排ML管道，让模型上线更规范高效

这是一个用于AWS云环境的MLOps工作负载编排框架，旨在简化和规范机器学习模型生产化的架构实践。它提供了一套标准接口，用于管理AWS原生ML服务（如SageMaker）和第三方服务的ML管道，解决了ML项目从实验到生产过程中缺乏统一编排、架构不一致的问题。核心能力包括：定义可扩展的工作负载模板、自动化管道部署与监控、集成多种ML服务、以及通过基础设施即代码实现可复现的部署流程。项目基于Python开发，适合在AWS上构建标准化ML运维流程的团队使用。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 157

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队aws-solutions

所属国家

官网地址https://aws.amazon.com/solutions/implementations/mlops-workload-orchestrator

GitHubhttps://github.com/aws-solutions/mlops-workload-orchestrator

定价模式free

价格说明开源框架，Apache-2.0 许可证，可免费使用和部署，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型artificial-intelligence,machine-learning,mlops

GitHub 星标★ 157

30天Star增速

HF 下载量

上线时间2020-10-14 00:00:00

最近更新2026-08-07 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数7

使用教程

核心亮点

提供标准接口统一管理AWS和第三方ML服务，降低集成复杂度
框架可扩展，支持自定义工作负载模板，适应不同业务场景
内置架构最佳实践，帮助团队避免常见生产化陷阱

不足之处

文档/社区待观察
早期项目，功能覆盖有限，可能缺少高级调度特性

适用场景

在AWS上标准化多个ML模型的部署与运维流程
需要统一管理SageMaker与第三方ML服务管道的团队
希望快速建立MLOps架构规范的企业

替代项目

Kubeflow Pipelines、Apache Airflow、Metaflow

项目介绍

mlops-workload-orchestrator 是基础设施领域的开源项目，由 aws-solutions 开发，2020 年首次发布。

它收录于基础设施分类，该分类目前共有 1,130 个项目，GitHub 星标数为 157。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-07。Apache-2.0 许可证，可免费使用和部署，无付费版本。

它主要面向的使用场景是：在AWS上标准化多个ML模型的部署与运维流程。同类可对比的替代方案包括 Kubeflow Pipelines、Apache Airflow、Metaflow。

上一篇：flintml

下一篇：ploomber