实验追踪系统选型：先定义元数据，再比较工具
一、实验管理不是把曲线画出来就结束
机器学习项目中，实验追踪工具常被理解为记录 loss 曲线和指标面板。但真正的实验管理要解决的是可复现、可比较和可审计：某个结果来自哪份数据、哪段代码、哪个配置、哪组随机种子、哪个模型 checkpoint。只有这些元数据完整，曲线才有解释价值。
如果团队没有定义元数据规范，直接引入工具很容易变成另一个日志平台。实验名称随意、参数记录不完整、数据版本缺失、指标口径不一致，最后仍然无法回答“为什么这个模型比上一个好”。工具选型之前，应先定义实验记录的最小集合。
二、元数据结构：结果必须能追溯到输入
flowchart TD A[代码提交] --> E[实验记录] B[数据版本] --> E C[训练配置] --> E D[随机种子] --> E E --> F[指标与曲线] E --> G[模型产物] G --> H[复现实验]最小元数据通常包括代码提交号、数据集版本、配置文件、随机种子、环境镜像、硬件信息、训练开始时间、指标定义和产物路径。对于 NLP 和大模型实验，还应记录 tokenizer 版本、Prompt 模板版本、推理参数和评测脚本版本。
数据版本尤其关键。模型效果变化常常来自数据清洗、采样或标注调整，而不是模型结构。若实验记录中只有“train.json”，没有数据 hash、生成脚本和过滤规则，就很难复现结果。数据版本管理可以使用 DVC、LakeFS、对象存储元信息或自研 manifest。
三、记录实现：让配置和指标自动写入
下面是一个简化的实验记录逻辑。无论使用 MLflow、Weights & Biases 还是自研系统，核心都是自动化记录。
def log_experiment(tracker, config, metrics, artifacts): tracker.log_params(config["training"]) tracker.log_param("git_commit", config["git_commit"]) tracker.log_param("dataset_version", config["dataset_version"]) for name, value in metrics.items(): tracker.log_metric(name, value) for artifact in artifacts: tracker.log_artifact(artifact)手工补录很容易遗漏。建议训练入口统一加载配置，并在启动时自动记录环境、代码提交和数据版本。若工作区存在未提交代码，也应记录状态或拒绝启动正式实验。否则同一个提交号无法代表真实运行代码。
指标口径要固定。例如验证集 accuracy 是按样本平均还是按任务宏平均，生成任务是否去除空格和标点，失败样本是否计入总数，都应写入评测脚本。实验追踪系统记录的是结果，指标定义不清楚时，结果也不可靠。
四、选型标准：团队流程比功能列表更重要
工具选型可以从部署方式、权限管理、artifact 存储、搜索能力、可视化、API 易用性和成本几个方面比较。小团队可以先用轻量方案，大团队需要关注多项目隔离、审计和与 CI/CD 的集成。不要只因为某个工具图表漂亮就引入，它必须适配团队流程。
还要考虑长期可维护性。实验追踪数据会快速增长，模型 checkpoint、日志和评测结果都可能占用大量存储。需要制定保留策略，例如保留最佳模型、删除中间 checkpoint、归档过期实验。没有治理，实验平台会变成成本黑洞。
最后，实验追踪应连接模型发布。进入候选发布的模型必须能回溯训练实验，包含数据、代码、配置和评测报告。这样线上问题出现时，才能快速定位模型来源，并决定是否回滚或重新训练。
五、总结
实验追踪系统选型前，应先定义元数据规范和复现要求。代码提交、数据版本、配置、随机种子、环境和指标口径，比工具名称更重要。工具只是承载流程，真正保证实验可信的是完整记录和团队执行纪律。