一站式查遍 MLOps 工具，选型不再愁
awesome-mlops 是一个精心整理的 MLOps 资源列表，旨在为机器学习工程师、数据科学家和平台团队提供一站式参考。它系统性地收集了从模型开发、训练、部署到监控、治理的全链路工具和最佳实践，解决了 MLOps 领域工具碎片化、选型困难的问题。项目按功能分类（如编排、特征存储、实验跟踪、模型服务等），每个类别下列出主流开源项目和商业产品，并附有简要说明和链接。核心能力在于其结构化的信息组织方式和持续的社区更新，帮助用户快速了解生态、对比方案并落地 MLOps 实践。
⚠ 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克隆资源仓库
把 awesome-mlops 仓库下载到本地，README 未提供任何安装命令，克隆后即可离线阅读全部链接。
git clone https://github.com/visenger/awesome-mlops.git2进入项目目录
切换到克隆下来的目录，里面主要是 README.md 等文档文件，没有可执行代码。
cd awesome-mlops3阅读 README 目录
README 顶部有 Table of Contents，按 MLOps Core、Feature Stores、Model Deployment 等分类索引全部资源。
cat README.md4展开部署章节
README 中部署章节使用 details 折叠标签，需要点击「Click to expand!」才能看到具体文章与工具链接。
5访问项目官网
README 顶部指向 ml-ops.org，可获取 MLOps 方法论与最佳实践的补充资料。
本地出现 awesome-mlops 目录，打开 README.md 能看到 MLOps Core、MLOps Books 等分类标题即为成功。
Q：这个项目需要安装依赖或运行服务吗？
A：不需要。awesome-mlops 是一份资源清单仓库，README 中未提供任何安装、构建或启动命令，克隆后阅读即可。
Q：怎么找到模型部署相关的资源？
A：在 README 目录中定位「MLOps: Model Deployment and Serving」一节，点击展开后可看到部署、推理服务、CI/CD 相关的文章链接。
Q：怎样参与内容贡献？
A：README 未给出具体贡献流程，可通过 GitHub 仓库页面提交 Issue 或 Pull Request 推荐新资源。
mlops-tools、awesome-production-machine-learning、mlops-stack
awesome-mlops 是基础设施领域的开源项目，由 visenger 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（14,221）位列前 4%，在基础设施分类的 1,132 个项目里位列前 6%。
近 41 天，它的 GitHub 星标从 14,156 增加到 14,221，净增 65。
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 2026-09-22。免费提供，无付费版本。
它主要面向的使用场景是：技术选型：为团队评估和选择MLOps工具链。同类可对比的替代方案包括 mlops-tools、awesome-production-machine-learning、mlops-stack。
上一篇：sig-mlops
下一篇：kfp-tekton
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···