MLRun v1.8.0 发布：模型监控正式发布与AI全生命周期管理增强

MLRun 是一个开源的机器学习运维（MLOps）平台，旨在简化和加速机器学习项目的全生命周期管理。从数据准备、模型训练到部署和监控，MLRun 提供了一套完整的工具链，帮助数据科学家和工程师更高效地构建和运维机器学习应用。

模型监控功能正式发布

MLRun v1.8.0 版本最重大的更新是模型监控（Model Monitoring）功能的正式发布（GA）。这一功能需要 Nuclio>=1.13.12 支持，且与之前版本不兼容。对于正在使用 v1.7.x 版本的用户，升级前需要特别注意：

1. 升级前可选择性重新部署所有监控的服务函数，设置 set_tracking(False)
2. 运行 project.disable_model_monitoring 命令删除所有监控应用、基础设施pod和数据流
3. 升级完成后，可以像往常一样开始使用模型监控功能

新版本在模型监控方面有多项增强：

• 支持大规模运行，利用MLRun的额外副本/工作者提高处理能力
• 新增文档型模型的实验跟踪功能，通过新的 DocumentArtifact 类型管理LangChain文档
• 提供测试模型功能，可在部署前运行和评估模型，节省时间和资源
• 支持为模型端点自定义名称
• 简化了创建模型监控告警的SDK接口

告警与通知系统改进

告警功能现在默认启用，并新增了告警激活历史记录功能。用户可以通过SDK列出告警激活历史，并支持多种参数过滤。在通知方面，新增了邮件通知功能，进一步丰富了通知渠道。

运行时与基础设施优化

在运行时方面，add_model 和 add_route 方法新增了 creation_strategy 参数，用于定义端点的创建或更新策略。基础设施方面，MLRun 现在支持 Confluent Kafka 7.8，同时KFP不再包含在MLRun基础镜像中，而是提供了专门的 mlrun/mlrun-kfp 镜像，解决了依赖冲突问题。

用户体验提升

UI方面有多项改进：

• 项目主页的主要计数器现在可点击，取代了"查看全部"链接
• 新增工作流重试功能，保持相同的实验ID重新运行
• 跨项目视图显示项目内的告警激活数量
• 查询实现分页，提高响应速度
• 作业和工作流监控界面采用弹出式过滤器，优化空间利用
• 特征存储界面同样采用弹出式过滤器，提升用户体验

文档与教程更新

新增了"使用向量数据库进行实验跟踪"教程，详细介绍了如何利用MLRun管理文档型模型。同时新增了"本地与远程工作流"说明文档，帮助用户理解不同环境下的工作流执行差异。

问题修复与性能优化

v1.8.0版本修复了多个问题，包括：

• 大YAML文件查看优化
• 非调度pod的错误信息改进
• 项目获取artifact功能修复
• 模型监控应用内存泄漏修复
• 标签验证增强
• Docker Registry变更时的密钥使用问题
• 通知发送机制优化
• 非root用户构建镜像问题修复
• 工作流中artifact标签问题修复
• 多个artifact标记为latest的问题解决
• 性能优化减少超时导致的worker重启
• 模型监控应用中服务函数响应不匹配问题修复
• 通知卡在"Pending"状态问题解决

MLRun v1.8.0 通过模型监控功能的正式发布和多项增强，进一步巩固了其作为全生命周期MLOps平台的地位，为机器学习项目的开发、部署和运维提供了更加强大和稳定的支持。