ZenML：从 Pipeline 到 Agent 的 AI 工作流平台

zenml-io/zenml 在 GitHub 上已经拿到 5,431 Star 了。

这是一个面向 ML 和 AI 工程师的开源平台，核心目标是让你写的 Python 工作流能在任意基础设施上跑起来。传统机器学习管线、LLM 应用、AI Agent，它都覆盖。

1、 这玩意儿是干嘛的

ZenML 的核心就干一件事：把你写的 Python 逻辑封装成可复用、可追踪、可部署的 pipeline。训练模型、跑 Agent 循环、批处理推理，任何 Python 代码都可以塞进去。

它处理五件事：

1. 自动把代码打包成容器并追踪版本。
2. 每次运行都记录指标、日志和元数据。
3. 基础设施的复杂度被抽象掉，你不用关心底层是本地机器还是 Kubernetes。
4. 直接集成现有工具链，MLflow、LangGraph、Langfuse、SageMaker、GCP Vertex 都能接。
5. 开发和生产环境都有可观测层，实验迭代更快。

Airbus、AXA、JetBrains、Rivian、WiseTech Global 等公司在用它跑 AI 工作流。

2、 为什么要用它

做 ML 项目的人都有过这种经历：本地跑通的脚本，一上生产环境就崩。环境不一致、依赖没装全、日志分散、模型版本对不上，问题一个接一个。

ZenML 的思路是 pipeline as code。你继续写熟悉的 Python，只是在外面包一层装饰器，容器化、编排、追踪、部署全自动化。和纯实验追踪工具不同，它管的是整个生命周期，从开发、评估到部署和监控，传统模型和 Agent 都在同一个框架里。

你不需要重写现有代码，把原来的逻辑用 @step 包一下就行，scikit-learn、PyTorch、LangGraph、LlamaIndex 这些库照样用。

它还提供了 VS Code 扩展，可以直接在编辑器里管理 pipeline，不用来回切到浏览器或者终端。

3、 架构和上手

ZenML 采用客户端/服务端架构，带一个 Web 面板。

本地开发装 zenml[local]，客户端和服务端都在本地跑。生产环境把服务端单独部署，客户端通过 zenml login <server-url> 连上去。

pip install "zenml[server]"
zenml init
zenml login

4、 生态和周边

除了核心 pipeline 能力，ZenML 周边还有几个项目值得关注。

ZenML MCP Server：让你用自然语言查询 pipeline 状态、分析指标、触发部署，支持 Claude Desktop 和 Cursor 等 MCP 客户端。

Kitaru：ZenML 的姊妹项目，做 durable AI Agent。支持故障恢复、人工审批、持久化记忆，跑在 Kubernetes 或云平台上。两个装饰器就能接入。

5、 适合哪些人用

• 需要把本地 ML 脚本搬上生产的工程师
• 在搭 LLM 应用或 Agent，需要统一编排和追踪的团队
• 已有 MLflow、W&B 等工具，想要一个统一管理层的人
• 在 Kubernetes 上跑 AI 工作流，不想手写大量配置的人

low、W&B 等工具，想要一个统一管理层的人

• 在 Kubernetes 上跑 AI 工作流，不想手写大量配置的人