BharatMLStack

一套打通训练到推理的 ML 基础设施，让大规模模型上线更稳更快。

BharatMLStack 是 Meesho 开源的一套端到端机器学习基础设施栈，旨在支撑印度“Bharat”规模的实时与批量 ML 工作负载。它解决了从模型训练到部署、监控的全链路工程问题，提供统一的平台能力，包括特征存储、模型训练、在线/离线推理、模型服务、监控与告警等。核心能力基于 Go 语言实现，强调高性能与低延迟，适合大规模、高并发的生产环境。项目目前处于早期阶段（705 星标），但架构设计已体现工业级实践，旨在降低 ML 工程复杂度，提升模型迭代与上线效率。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 710

维护状态较活跃

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队Meesho

所属国家

官网地址

GitHubhttps://github.com/Meesho/BharatMLStack

定价模式free

价格说明开源项目，可自行部署，完全免费。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Go

技术栈/模型ai,feature-engineering,feature-store-online,machine-learning,ml,mlops

GitHub 星标★ 710

30天Star增速

HF 下载量

上线时间2025-05-23 00:00:00

最近更新2026-09-22 00:00:00

维护状态较活跃

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1

使用教程

核心亮点

端到端覆盖：从特征工程到模型监控，提供完整 ML 流水线组件，减少集成成本。
高并发设计：基于 Go 语言构建，适合处理大规模实时推理请求，性能潜力大。
生产级实践：源自 Meesho 内部实际场景，解决真实业务痛点，具备参考价值。

不足之处

文档/社区待观察：项目早期，文档和社区生态尚不成熟，上手可能需要更多摸索。
依赖特定场景：针对印度电商规模优化，通用性可能受限，需评估适配成本。

适用场景

电商平台实时推荐系统，需要低延迟特征与模型服务。
大规模批量训练与离线预测，统一管理特征和模型版本。
构建内部 ML 平台，统一多团队模型部署与监控流程。

替代项目

Kubeflow、Seldon Core、Feast

项目介绍

BharatMLStack 是基础设施领域的开源项目，由 Meesho 开发，2025 年首次发布。

它收录于基础设施分类，该分类目前共有 1,132 个项目，GitHub 星标数为 710。

项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-22。可自行部署，完全免费。

它主要面向的使用场景是：电商平台实时推荐系统，需要低延迟特征与模型服务。同类可对比的替代方案包括 Kubeflow、Seldon Core、Feast。

上一篇：modelstore

下一篇：kubeflow-manifests