MLRun v1.10.0-rc3 版本发布：模型监控增强与核心功能优化

MLRun 是一个开源的机器学习运维（MLOps）平台，它简化了机器学习工作流程的构建、部署和管理。作为数据科学家和机器学习工程师的强大工具，MLRun 提供了从数据准备到模型部署的全生命周期管理能力。本次发布的 v1.10.0-rc3 版本带来了多项重要改进和功能增强，特别是在模型监控、核心功能优化和系统稳定性方面。

模型监控功能显著增强

本次版本在模型监控方面进行了多项重要改进。首先，修复了 list_model_endpoints 函数中 latest-only 参数的行为问题，确保用户能够准确获取最新的模型端点信息。其次，对 Evidently 监控工具的集成进行了优化，修复了 JSON 配置处理和类导入的问题，使模型监控的可视化和分析更加可靠。

值得注意的是，团队移除了模型监控相关的多个已弃用功能，包括服务器端点的重构，这些改进使得模型监控功能更加简洁高效。在教程部分，团队还特别强调了使用 Evidently 包的必要性，并更新了相关示例代码，帮助用户更好地理解和应用模型监控功能。

核心功能优化与弃用项清理

MLRun 团队在此版本中持续推进代码库的现代化工作，移除了多个已弃用的功能：

1. 删除了 uid 参数在获取和删除 artifact 操作中的使用
2. 移除了 mlrun.runtimes.base.mlrun_op 中的 rundb 参数
3. 删除了 v1 版本的 delete_function 端点
4. 标记了 rebuild_images 查询参数为已弃用状态

这些清理工作使得 API 更加简洁一致，减少了维护负担，同时也为用户提供了更清晰的接口使用方式。团队还特别关注了弃用消息中的版本信息准确性，确保用户能够获得正确的迁移指导。

系统稳定性与用户体验改进

在系统稳定性方面，本次版本包含了多项重要修复：

1. 修复了 KFP 运行格式化问题，改进了步骤错误信息的展示
2. 解决了 API 参数名称验证和执行的问题
3. 优化了管道完成通知机制
4. 修复了特征存储系统测试中的问题

配置方面也有显著改进，移除了默认项目配置，要求用户显式指定项目，这有助于避免潜在的混淆和错误。同时，团队还提高了项目数量限制，满足大规模部署的需求。

开发工具与基础设施增强

在开发工具链方面，团队引入了多项改进：

1. 实现了命名空间创建的幂等性，提高了 CI/CD 流程的可靠性
2. 添加了 PR 标签自动化工具，简化了代码审查流程
3. 更新了依赖管理，包括升级 KFP 公共库和 mlrun-pipelines
4. 优化了 Docker 构建过程，在 pip 安装时编译 Python 字节码

这些改进使得开发流程更加顺畅，提高了团队的生产力和代码质量。

教程与示例更新

为了帮助用户更好地掌握 MLRun 的功能，团队更新了多个教程和示例：

1. 修复了 genai-03 演示中的问题
2. 清理了模型监控教程，明确指出了依赖项要求
3. 处理了现有集合的相关案例
4. 将生成式 AI 演示添加到资源包中

这些更新确保了示例代码的可用性和时效性，为用户提供了更好的学习资源。

总结

MLRun v1.10.0-rc3 版本在模型监控、核心功能稳定性和开发体验方面都带来了显著改进。通过清理已弃用功能、修复关键问题和增强监控能力，这个版本为生产环境部署提供了更加可靠的基础。对于正在使用 MLRun 的用户，建议关注这些变更并根据更新指南调整自己的应用代码，以充分利用新版本带来的改进和性能提升。