面向自主云 MLOps 的前向部署式全栈工程

跨越多个行业，机器学习系统支撑着从预测和异常检测到预测、优化和调度等一系列应用，然而，要将这些系统投入实际运行，需要协调应用开发、模型流水线、云基础设施、安全性、部署、监控、重新训练、恢复和回滚。我们提出一种证据门控的多智能体框架，用于将自然语言 MLOps 云工程任务转换为经验证的代码仓库和可运行的云端部署。该框架结合了图工程、循环工程和智能体支架工程。一个有状态的 Graph Orchestrator 协调专门的智能体，负责代码仓库生成、审查、执行、验证、发布和监控，同时管理工作流依赖、证据门控、重试上限、恢复路径和终止。只有当所需谓词得到可验证的执行证据或运行时证据支持时，相关的生命周期转换才会进行。验证失败会触发有界的反思、修复和重新验证；而失败、漂移、退化或策略违规的运行时证据则可触发有界的自适应、恢复或回滚。智能体支架工程通过受控能力和隔离执行环境，约束代码仓库生成、审查与修复、制品执行以及云操作。我们在 Google Cloud Platform 上实现了该框架，并评估了代码仓库完整性、受控执行、证据门控转换、云端上线以及有界恢复。实验结果表明，该框架可防止缺乏支持的生命周期转换，并推动每次运行要么走向经验证的可运行部署，要么走向可审计的终止性失败。