一张清单，快速摸清 MLOps 工具全家桶，选型不抓瞎
这是一个精心整理的 MLOps 工具精选清单，旨在帮助机器学习工程师、数据科学家和平台团队快速发现和评估生产环境中所需的各类工具。项目将 MLOps 生态按功能模块分类，涵盖数据管理、模型训练与调优、实验跟踪、模型部署与 serving、工作流编排、监控与可观测性、特征存储、数据标注等环节，并附有每类工具的简要说明和链接。它解决了 MLOps 领域工具碎片化、选型困难的问题，为团队搭建机器学习平台提供了一份可检索的导航地图。核心能力在于其系统化的分类体系和持续更新的社区维护机制，是进入 MLOps 领域或进行技术选型时的实用参考。
⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。
1克隆清单仓库
把精选清单下载到本地。README 未提供任何安装或运行命令，此步仅为获取清单内容的通用做法。
git clone https://github.com/kelvins/awesome-mlops.git2进入仓库目录
切换到仓库根目录，README.md 就在此处，后续查看分类清单都在该目录下进行。
cd awesome-mlops3查看清单内容
README 以目录形式列出 AutoML、数据管理、模型服务、工作流等分类，可直接通读整份清单。
cat README.md4按关键词定位分类
用 grep 搜索环节名称，快速跳到对应小节，例如模型服务、特征存储、漂移检测。
grep -n -i "Model Serving" README.md5跳转工具官方文档
清单中每个条目都附有工具链接，点开链接查看该工具自身的部署方式，再按需选型。
本地能看到 awesome-mlops/README.md，且正文按 AutoML、Model Serving 等分类逐条列出工具，即表示已成功获取清单。
Q：这个项目需要安装运行吗？
A：不需要。README 只是一份 Markdown 格式的工具清单，没有提供可执行的安装或启动命令，克隆或直接在网页阅读即可。
Q：怎么快速找到某个环节的工具？
A：README 顶部有完整分类目录，也可用 grep 搜索关键词（如 Model Serving、Feature Store）定位对应小节。
Q：清单里的工具该怎么安装？
A：本仓库不包含这些工具的安装说明，需点击条目中的链接，到各工具自己的仓库或官方文档查看部署方式。
Q：清单内容会更新吗？
A：仓库由社区持续维护并不断收录新工具，可定期执行 git pull 拉取最新的清单内容。
mlops-tools、awesome-production-machine-learning、mlops-roadmap
awesome-mlops 是基础设施领域的开源项目，由 kelvins 开发，2020 年首次发布。
在全站 13,090 个收录项目中，它的 GitHub 星标数（5,280）位列前 9%，在基础设施分类的 1,132 个项目里位列前 13%。
近 41 天，它的 GitHub 星标从 5,235 增加到 5,280，净增 45。
项目仍在小幅维护中，最近一次代码更新于 2026-09-22。完全免费，无付费版本。
它主要面向的使用场景是：搭建企业级机器学习平台前进行工具选型调研。同类可对比的替代方案包括 mlops-tools、awesome-production-machine-learning、mlops-roadmap。
freebuff-proxy
开源
聚合多账号，一键接入 OpenAI 兼容 API，轻松管理会话。
Multi-account OpenAI-compatible gateway for coding models. Pooled keys, session life···
microduck
开源
用 Rust 造一只会走路的桌面小鸭，快速上手双足机器人。
A Tiny biped duck robot
soperator
开源
用 Kubernetes 原生方式运行 Slurm，简化 HPC 集群管理。
Run Slurm in Kubernetes
ollama
开源
一条命令本地跑起大模型，免费、私密、不卡顿
Get up and running with Kimi, GLM, MiniMax, DeepSeek, gpt-oss, Qwen, Gemma and other···