什么是 MLOps 自动化？

MLOps 自动化为管理机器学习项目的生命周期提供了一个强大的框架。它集成了行业标准工具，如用于任务执行的 just、用于容器化的 Docker 以及用于自动化 CI/CD 流水线的 GitHub Actions。此技能旨在减少手动开销，并确保开发和生产环境之间的一致性。

作为 Openclaw Skills 生态系统的核心组件，它专注于多阶段构建和自动化实验追踪等最佳实践。通过使用这些模板，开发人员可以通过集成代码检查和测试来保持高代码质量，同时确保其 ML 模型具有可移植性和可扩展性。

下载入口:https://github.com/openclaw/skills/tree/main/skills/guohongbin-git/mlops-automation-cn

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

2. 手动安装

将技能文件夹复制到以下位置之一

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

MLOps 自动化 应用场景

• 自动化重复性开发任务，如代码检查、测试和清理工件。
• 为机器学习模型创建经过优化的生产级 Docker 容器。
• 设置在推送或拉取请求时触发的自动化 CI/CD 流水线。
• 使用 MLflow 在不同的训练运行中追踪超参数和指标。
• 为整个数据科学团队标准化本地开发环境。

1. 将包含 justfile 和 Dockerfile 在内的模板文件复制到项目目录中。
2. 用户通过任务运行器执行本地命令，以验证代码质量和训练逻辑。
3. 使用多阶段方法启动 Docker 构建，以优化层缓存并最小化镜像大小。
4. 建立 GitHub Actions 工作流，在代码更改时自动运行测试和构建。
5. MLflow 集成在训练期间记录模型参数和性能指标，以便后续分析。

MLOps 自动化 配置指南

要将 Openclaw Skills 中的此技能集成到您的项目中，请使用以下命令：

# 初始化任务运行器配置
cp references/justfile ./

# 配置 GitHub Actions 工作流目录
mkdir -p .github/workflows
cp references/ci-workflow.yml .github/workflows/ci.yml

# 设置 Docker 环境
cp references/Dockerfile ./

# 执行本地健康检查
just check

MLOps 自动化 数据架构与分类体系

该技能通过几个关键文件管理配置，并动态追踪实验元数据。

name: mlops-automation-cn
version: 1.0.0
description: Task automation, containerization, CI/CD, and experiment tracking
license: MIT

MLOps Automation ??

Automate tasks, containers, CI/CD, and ML experiments.

Features

1. Task Runner (just) ?

Copy justfile:

cp references/justfile ../your-project/

Tasks:

• just check - Run all checks
• just test - Run tests
• just build - Build package
• just clean - Remove artifacts
• just train - Run training

2. Docker ??

Multi-stage build:

cp references/Dockerfile ../your-project/
docker build -t my-model .
docker run my-model

Optimizations:

• Layer caching (uv sync before copy src/)
• Minimal runtime image
• Non-root user

3. CI/CD (GitHub Actions) ??

Automated pipeline:

cp references/ci-workflow.yml ../your-project/.github/workflows/ci.yml

Runs on push/PR:

• Lint (Ruff + MyPy)
• Test (pytest + coverage)
• Build (package + Docker)

Quick Start

# Setup task runner
cp references/justfile ./

# Setup CI
mkdir -p .github/workflows
cp references/ci-workflow.yml .github/workflows/ci.yml

# Setup Docker
cp references/Dockerfile ./

# Test locally
just check
docker build -t test .

MLflow Tracking

import mlflow

mlflow.autolog()
with mlflow.start_run():
    mlflow.log_param("lr", 0.001)
    model.fit(X, y)
    mlflow.log_metric("accuracy", acc)

Author

Converted from MLOps Coding Course

Changelog

v1.0.0 (2026-02-18)

• Initial OpenClaw conversion
• Added justfile template
• Added Dockerfile
• Added CI workflow