ZenML
统一编排、追踪并部署机器学习、LLM 工作流与智能体。
- Star 数
- ★ 5.6k
- 最近更新
- 4 天前
- License
- Apache-2.0
- 主语言
- Python
- FA 评分
- 59/100 · 缺口较多
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Claude.ai（部分支持）
- 费用
- 有免费版，另有付费云服务
- 上手难度
- 中 · 需要几步配置
- 开始前需要
- 典型场景
- 企业 ML 工程师需要把特征工程、模型训练、评估、部署和监控组成可追踪的生产 pipeline。
- 不适合
- 只想做 LLM 追踪或基础实验记录、不想部署服务器的团队
- 需要完全离线、数据不出本地的团队
- 不愿配置编排器、计算与对象存储等基础设施的团队
这个 Agent 能做什么，适合哪些场景？
ZenML 是面向企业 ML 与 AI 工程师的工作流平台，覆盖传统机器学习、LLM 应用和智能体。开发者把 Python 逻辑组织为 pipelines 和 steps，ZenML 负责自动容器化代码，并记录每次运行的指标、日志、元数据和 artifacts。它采用客户端—服务器架构，提供 Python 客户端、CLI、ZenML Server 和独立的 Web dashboard；本地可同时运行客户端与服务器，生产环境则单独部署服务器。stacks 将工作流与具体基础设施解耦，并可连接 MLflow、Weights & Biases、LangGraph、Langfuse、SageMaker、Google Cloud Vertex AI、Kubernetes 和 Kubeflow 等现有系统。其交付边界不仅是实验记录，还包括 pipeline 执行、评估、部署和监控，但实际计算资源、对象存储及外部服务仍由采用者提供和配置。
用户先通过 zenml init 初始化 ZenML repository，再把训练、评估、推理或智能体循环等 Python 逻辑放入 pipelines 和 steps。运行时，ZenML 自动容器化并追踪代码，生成带有 artifacts、snapshots、metrics、logs 和 metadata 的运行记录，再由所选 stack 将任务交给本地或云端基础设施。它可以部署传统 ML 模型或智能体服务，并通过集成复用 MLflow、Weights & Biases、LangGraph、Langfuse、SageMaker、Vertex AI、Kubernetes、Kubeflow 等系统。ZenML Server 保存运行和资源元数据，Web dashboard 用于查看与管理这些信息。另行安装 zenml-io/mcp-zenml 后，Claude Desktop、Cursor 或其他 MCP 客户端还可用自然语言查询运行、分析失败并触发部署；该 MCP Server 并非本仓库内置安装步骤的一部分。
- 企业 ML 工程师需要把特征工程、模型训练、评估、部署和监控组成可追踪的生产 pipeline。
- LLM 应用团队希望在同一框架中运行 RAG、评估循环和部署流程，并保留每次执行的日志、指标及元数据。
- 智能体开发者已有 LangGraph、LlamaIndex 或原生 Python 实现，希望通过
@step接入编排体系，而不是重写核心逻辑。 - 平台团队需要让同一套 Python workflow 在本地开发，并通过 stacks 转移到 Kubernetes、Kubeflow、SageMaker 或 Vertex AI 等后端。
- 同时维护经典模型和 AI 智能体的团队，希望统一管理开发、评估、生产部署和运行可观测性。
- 运维或分析人员希望借助独立的 ZenML MCP Server，通过 Claude Desktop 或其他 MCP 客户端查询失败运行和触发部署。
如何安装或部署这个 Agent？
需要 Python 环境和 shell。完整的本地服务器能力可安装：
pip install "zenml[server]"较精简的客户端可安装：
pip install zenml随后在项目目录执行：
zenml init
zenml login架构说明还给出了本地客户端与服务器组合安装方式：
pip install "zenml[local]"生产环境应单独部署 ZenML Server，然后安装客户端并连接：
pip install zenml
zenml login <server-url>远程服务器连接需要服务器 URL；README 没有给出服务器部署命令、Python 版本下限或认证参数的完整示例。若使用自然语言管理功能，还需从 zenml-io/mcp-zenml 下载 .dxt，在 Claude Desktop 中添加 ZenML Server URL 和 API key。
如何使用这个 Agent？
最短的已记录流程是在 Python 项目中安装 ZenML，运行 zenml init 初始化 repository，再用 zenml login 启动本地服务器或登录远程服务器。随后可从 examples/quickstart/ 开始，学习 pipelines、steps、artifacts、snapshots 和 deployments；所给资料没有包含可直接复制的第一个 pipeline 源码或其执行命令。现有模型或智能体代码可包装在 @step 中，再由 pipeline 组织执行，所选 stack 决定实际基础设施后端。生产模式下，用 zenml login <server-url> 连接独立部署的服务器，并在 dashboard 中查看运行、指标、日志和元数据。需要对话式运维时，应另外安装 MCP Server，配置服务器 URL 与 API key，然后可提出诸如查询本周失败运行、比较模型 accuracy metrics 或触发最新部署等请求。
这个 Agent 有哪些优点和局限？
- 同一套 pipeline/step 抽象同时覆盖传统 ML、LLM workflow 和智能体循环，适合混合技术栈团队。
- 不仅记录实验，还自动容器化代码并追踪 runs、metrics、logs、metadata、artifacts 和 snapshots。
- stacks 抽象基础设施，可复用 MLflow、Weights & Biases、Kubernetes、Kubeflow、SageMaker 和 Vertex AI 等既有系统。
- 支持本地客户端—服务器组合及独立生产服务器两种部署边界，并提供集成 Web dashboard。
- 现有 scikit-learn、PyTorch、LangGraph、LlamaIndex 或原生 API 代码可以通过
@step包装接入。
- 生产使用仍需部署和运维独立 ZenML Server，并配置实际编排器、计算资源和对象存储；平台不会替代这些基础设施。
- 不同 stacks 和第三方集成会带来额外配置工作，README 未提供完整的生产部署、认证或故障恢复步骤。
- 资料没有给出 Python 版本下限，也没有提供一个完整可复制的 pipeline 定义与首次执行命令。
- Claude Desktop 的自然语言操作依赖另一个
zenml-io/mcp-zenml仓库、.dxt文件、服务器 URL 和 API key，并非核心安装即用。 - 如果团队只需要 LLM tracing 或单纯实验记录，ZenML 覆盖的完整生命周期可能引入超出需求的服务器和编排复杂度。
这个 Agent 与同类方案有什么区别？
与 LangSmith 或 Langfuse 相比，ZenML 的定位不止是 LLM 应用可观测性，而是编排从开发、评估到生产部署的完整 MLOps 生命周期，并同时覆盖经典模型和智能体。与 MLflow 相比，README 将 MLflow定位为实验追踪工具，而 ZenML 负责更广泛的训练、评估、部署和监控编排；MLflow 和 Weights & Biases 也可以作为 ZenML 的既有集成继续使用。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| ZenML 当前 | 59 · 缺口较多 | 命令行工具免费版 + 付费版 | ★ 5.6k | 4 天前 | Python | — |
| TrustGraph | 62 · 存在缺口 | 命令行工具免费 + 模型费 | ★ 2.8k | 1 天前 | Python | OpenAI API · Claude API |
| Kestra 工作流编排平台 | 53 · 缺口较多 | 自托管服务免费版 + 付费版 | ★ 30k | 今天 | Java | — |
| Eko Agentic Workflow | 43 · 缺口较多 | 代码库 / SDK免费 + 模型费 | ★ 5k | 7 个月前 | TypeScript | OpenAI API · Claude API |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
证据展示了可选依赖、客户端/服务器部署方式、关闭 CI 分析上报、私密漏洞报告渠道，以及 uv 的三天新包隔离策略和按提交哈希固定的 GitHub Actions；这些支持有限的权限分层、敏感数据意识和较好的依赖防护。扣分在于未提供运行时权限清单、密钥存储与脱敏规则、遥测默认行为、数据发送目的地、代理执行前确认机制或全面的外部副作用说明。跟踪、版本化和 Kitaru 恢复能力有所提及，但后者是姊妹项目，不能证明 ZenML 自身具备完整回滚。仓库组织、包作者、联系渠道和许可证提供了来源归属，不过发布者身份仍未经企业注册表验证。
README、包元数据和 CI 对 Python 版本、客户端/服务器架构及安装方式基本一致；CI 会构建服务器镜像并验证连接，依赖也设置了版本范围。扣分在于没有执行结果、锁文件或全部集成可用性的证据，Windows 3.11/3.12 组合还被明确排除。工作流对断链和连接失败会给出明确错误，但所提供材料没有覆盖代理循环、部署和远程基础设施失败时的用户消息。
目标受众和场景描述充分，覆盖企业 ML/AI 工程师、传统 ML、LLM、代理、本地与生产环境，并列出多种云端、编排器和工具集成。能力边界通过“编排而非替代现有工具”、步骤和管道模型得到一定说明，但代理与平台边界仍主要停留在概述。触发精度证据薄弱：自然语言 MCP 示例包含查询和生产部署触发，却没有展示意图匹配、歧义处理、授权范围或确认条件。环境适配由 Python 3.10–3.14、多个操作系统、容器、Kubernetes及云端可选依赖充分支持。
README 的入门、架构、资源、示例、FAQ、贡献、支持与许可证结构清晰，安装命令区分精简客户端、本地和服务器模式；示例覆盖管道与代理场景。许可证文件完整且与元数据一致。扣分在于包仍标记为 Beta，未提供本修订的实际变更记录，只链接外部 changelog；已知限制仅零散体现于 Python范围、CI 排除项和许可证免责声明，没有集中说明代理风险或部署限制。维护主体、邮箱、问题跟踪和安全报告路径较清楚，但未经验证的发布者身份使责任归属不能评为完全确证。
跟踪代码、运行、指标、日志、元数据，以及跨基础设施编排和现有工具集成，能够形成可用的工程产出并相较手工拼装提供合理增量价值。扣分在于这些效果主要是产品说明，未提供本修订中的代理输出样例、质量基准、用户研究或执行结果。开源版本免费降低许可成本，但文档也承认可能需要 Kubernetes、对象存储和远程服务；没有量化部署、维护、计算或第三方 API 成本，因此成本收益仅获薄弱支持。
若干具体声明可追溯到包元数据和工作流配置，例如版本、Python 范围、依赖、安装入口、CI 构建与连接检查；README、pyproject 和 CI 之间也存在交叉印证。扣分在于“数千家公司使用”、五分钟上手、全生命周期能力和免费带来的经济性等营销声明没有随附本地证据，示例链接与外部文档也未作为文件内容提供。事实、愿景和推广性表述没有始终明确区分，因此不能给予高可验证性分数。
- 源码中未见：执行前用户确认开启或自行加上执行前确认；先在沙箱或测试环境跑通，确认行为后再接入真实数据。
- 这是低置信度的静态评审；未执行安装、测试、代理流程或部署，也未验证外部链接和产品声明。
- 自然语言 MCP 示例能够触发生产部署，但所给证据没有展示逐次确认、授权范围、审计约束或安全默认值；接入生产环境前应单独核验。
- README 包含外部图像请求、远程文档及第三方服务集成；应核实遥测、网络出口、凭据处理和数据驻留策略。
- 依赖虽有范围限制、新包隔离和部分精确固定，但未提供解析后的锁文件或漏洞扫描结果，不能据此断言供应链无已知风险。
- 崩溃恢复和人工审批明确属于 Kitaru 姊妹项目，不应当作 ZenML 核心代理运行时已具备的保证。
最近版本
来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。
-
发布说明摘录
<!-- ZENML_GITBOOK_RELEASE_NOTES_START tag=0.98.0 --> Breaking Changes * The langchain integration now supports langchain>=0.3.5,<1.0 instead of the previously pinned 0.3.0. If you rely on a fixed LangChain version, update your environment constraints accordingly, and note that LangChain 1.x is still not supported by ZenML and may require you to stay on a compatible pre-1.0 release. [PR #5341](https://github.com/zenml-io/zenml/pull/5341) Triggers and automation …在 GitHub 查看 ↗ -
发布说明摘录
<!-- ZENML_GITBOOK_RELEASE_NOTES_START tag=0.97.0 --> Breaking Changes * Resource pools have been reworked to use ZenML Pro Resource Manager v2, and the old OSS resource-pool control-plane objects and related API/CLI/RBAC behavior have been removed. If you used legacy resource pool management in OSS or automation built on those endpoints/commands, you will need to migrate to the new resource request model and update any scripts or integrations accordingly. [PR #4977](https://github.com/zenml-io/zenml/pull/4977) …在 GitHub 查看 ↗ -
发布说明摘录
<!-- ZENML_GITBOOK_RELEASE_NOTES_START tag=0.96.4 --> Webhook-driven automation - Webhook triggers for pipeline snapshots: ZenML now supports first-class webhook-driven automation for secure, project-scoped integrations with GitHub or custom systems [PR #5169](https://github.com/zenml-io/zenml/pull/5169). You can attach webhook triggers to pipeline snapshots and launch them when matching external events arrive, including typed GitHub filters for merged pull requests, completed workflow runs, pushes, and published releases. …在 GitHub 查看 ↗
常见问题
开源版本是否收费？
接入时必须重写现有模型或智能体吗？
@step，继续使用 scikit-learn、PyTorch、LangGraph、LlamaIndex 或原生 API 调用。生产环境必须运行服务器吗？
zenml 的客户端通过 zenml login <server-url> 连接。