PyCaret：一台电脑就能跑的自托管机器学习平台

PyCaret 是一个开源的自托管机器学习平台，目前收获了 9,803 个 Star：

PyCaret 把 AutoML 引擎、控制平面和 Web 界面整合进一个可本地部署的包。一条 docker compose up 命令，大约 5 分钟就能在 http://localhost:3020 跑起来。

当前正在开发 4.0 版本，属于从底层重构的新一代架构。3.x 版本已冻结在 PyPI 的 pycaret 3.4.0，不再更新。

平台组成

PyCaret 由三个核心模块构成：

• Engine：基于 sklearn 1.7 的 AutoML 库，支持分类、回归、聚类、异常检测和时间序列任务。一次实验会自动训练约 12 种算法，输出排行榜。
• Control plane：FastAPI 后端，提供工作区、项目管理、实验记录、模型注册表、部署管理、审批流程、监控、漂移检测、血缘追踪和调度功能。
• Web UI：React + Vite 构建，默认暗色主题。所有配置均通过点击完成，不需要手写 YAML。

本地部署

前置条件只有 Docker Desktop 4.27+。执行以下命令：

git clone https://github.com/pycaret/pycaret.git
cd pycaret
docker compose up --build

首次构建约需 5 分钟，后续启动在 30 秒以内。服务运行后，打开 http://localhost:3020 即可进入初始化页面，创建管理员账户和工作区。

docker compose 默认启动两个容器：nginx 托管的 React 前端，以及一个 FastAPI 进程。后者同时承载调度器、计算线程和 SQLite 数据库，采用 Plausible、Vaultwarden 等工具常见的单二进制部署模式。适合个人电脑，也可以支撑小团队的生产环境。

完整工作流

按照黄金路径走一遍，大约 10 分钟就能完成从数据到预测服务的闭环：

1. 初始化管理员账户和工作区
2. 在 Settings 里配置 LLM API 密钥，开启 AI 数据集顾问和实验设计助手
3. 上传数据集，或从内置样本中选取
4. 创建项目，新建实验，选择数据集和任务类型
5. 系统自动训练多个算法，在排行榜中选出表现最优的模型
6. 将该模型提升为 v1，放入模型注册表
7. 部署模型，指定端点名称
8. 在部署详情页测试预测，或通过 curl 调用 API

开发方式

如果需要修改代码，可以直接在本地运行前后端：

uv sync --all-packages --all-extras
cd apps/web && npm install

# 终端 1
uv run --package pycaret-server pycaret-server serve --reload

# 终端 2
cd apps/web && npm run dev

架构设计

当前的 docker compose 部署刻意保持精简，所有外部依赖（存储、数据库、密钥、认证、队列、计算）都设计为 Protocol 接口，支持本地实现和云端实现互换。存储和数据库已经完成抽象，其余五个 Protocol 的拆分排入第一阶段工作。完成后，API、工作节点和运行时容器可以独立部署，指向 RDS、S3、SQS 等云资源。

许可证

Engine 模块采用 MIT 许可证，Control plane 和 Web UI 采用 BUSL-1.1，四年后自动转为 Apache-2.0。自托管生产使用在附加使用授权范围内不受限制。

plane 和 Web UI 采用 BUSL-1.1，四年后自动转为 Apache-2.0。自托管生产使用在附加使用授权范围内不受限制。