---

Datamind 是什么

Datamind 是一个开放式模型服务管理平台，专注于模型训练完成后的交付与运行。它连接模型开发与生产运行，让开发成果能够直接转化为生产服务。平台支持多框架、多任务和多算法，将复杂的交付、运行与治理沉淀为稳定的平台能力。

核心能力

• 多框架、多任务、多算法：支持不同机器学习框架，保持一致的交付与运行方式。
• 渐进式模型发布：支持全量、金丝雀和影子发布，让模型上线与切换更加可控。
• 在线与批量推理：支持实时预测和批量预测，满足不同生产运行场景。
• 在线实验与评估：支持 A/B 实验、稳定分桶和流量分配，用于真实流量下的运行指标与预测结果对比。
• 全生命周期治理：提供权限控制、操作审计和运行状态管理，让模型服务可追踪、可管理。

快速开始

Datamind 支持 Python >=3.12,<3.15，建议使用 Python 3.12。

如需异步任务或对象存储，还需分别配置 Redis 或 MinIO。已验证的版本为 Redis 8.8.2 和 MinIO RELEASE.2025-09-07T16-13-09Z。

安装

从 PyPI 安装：

python -m pip install pydatamind

如需机器学习框架支持，可按需安装对应 extra，例如：

python -m pip install "pydatamind[sklearn]"

或安装全部支持的机器学习框架：

python -m pip install "pydatamind[full]"

从源码安装：

git clone https://github.com/zhongsheng-chen/Datamind.git
cd Datamind
python -m pip install -e .

从源码运行管理控制台前，需要构建前端资源，推荐使用 Node.js 24：

npm ci
npm run build:console

配置

创建 .env 配置文件，并设置以下首次运行所需参数。完整配置项及说明见 .env.example。

# 运行环境
DATAMIND_ENVIRONMENT=development

# 数据库连接地址
DATAMIND_DATABASE_URL=postgresql+asyncpg://user:password@localhost:5432/dbname

# 身份认证
DATAMIND_AUTH_ENABLED=true
DATAMIND_AUTH_SECRET_KEY=replace-with-a-long-random-secret

• DATAMIND_ENVIRONMENT：设置运行环境。
• DATAMIND_DATABASE_URL：设置 PostgreSQL 数据库连接地址。
• DATAMIND_AUTH_ENABLED：是否启用认证。
• DATAMIND_AUTH_SECRET_KEY：设置 JWT 签名密钥。

请根据实际环境设置数据库连接地址和 JWT 签名密钥。完整参数见环境变量，生产环境要求见生产部署和 Docker 部署。

初始化

执行数据库迁移：

datamind db upgrade

创建首个管理员并完成系统初始化：

datamind init

默认管理员用户名和密码均为 admin。如需自定义，请在执行初始化前配置：

DATAMIND_INIT_ADMIN_USERNAME=admin
DATAMIND_INIT_ADMIN_PASSWORD=replace-with-a-strong-password

登录

启用认证后，完成系统初始化即可登录 CLI：

datamind login --username admin

如已自定义管理员用户名，请替换命令中的 admin。按提示输入密码即可完成登录。CLI 会在本地保存登录凭据，供后续命令自动使用。

启动

启动服务：

datamind service run

在另一个终端启动管理控制台：

datamind console run

打开管理控制台：http://127.0.0.1:8701，使用初始化时创建的管理员账号登录。

模型支持

Datamind 当前支持分类与评分两类任务，并兼容多种主流 Python 机器学习框架。

机器学习框架	分类	评分
scikit-learn	✓	✓
XGBoost	✓	—
LightGBM	✓	—
CatBoost	✓	—

• 分类任务：支持 sklearn.linear_model.LogisticRegression、sklearn.tree.DecisionTreeClassifier 和 sklearn.ensemble.RandomForestClassifier，并兼容 XGBoost、LightGBM 与 CatBoost，返回分类标签与预测概率。
• 评分任务：支持以 sklearn.linear_model.LogisticRegression 为估计器的 optbinning.Scorecard，返回违约概率、总评分与特征分。

示例

示例位于源码仓库的 examples/ 目录，请克隆仓库后在项目根目录运行。 相关依赖包括 scikit-learn、optbinning 和 CatBoost。若已安装对应 extra 或 pydatamind[full]，可跳过依赖安装。

python -m pip install -e ".[sklearn,catboost]"

分类任务

以 fraud-risk 欺诈风险模型为例：

python examples/classification/catboost/train.py \
  --output examples/classification/catboost/artifacts/fraud_risk.cbm

datamind model register fraud-risk \
  --display-name "欺诈风险模型" \
  --version 1.0.0 \
  --model-path examples/classification/catboost/artifacts/fraud_risk.cbm \
  --framework catboost \
  --model-type catboost \
  --task-type classification

评分任务

以 application-scorecard 申请评分模型为例：

python examples/scorecard/train.py

datamind model register application-scorecard \
  --display-name "申请评分模型" \
  --version 1.0.0 \
  --model-path examples/scorecard/artifacts/application_scorecard.pkl \
  --framework sklearn \
  --model-type logistic_regression \
  --task-type scoring

更多示例见 examples。

Docker 镜像

Datamind 的 Docker 镜像发布于 Docker Hub：

docker.io/zhongshengchen/datamind:latest

Docker 镜像、Docker Compose 及相关配置见 Docker 部署文档。

文档

安装、使用与部署说明见 Documentation。

开发

安装开发环境：

python -m pip install -e ".[test,full,release]"
npm ci
npm run build:console

运行本地测试：

make test-all

构建：

make build

致谢

感谢所有参与 Datamind 开发、测试、文档与反馈的贡献者，以及为本项目提供基础能力的开源社区。

License

Datamind 使用 Apache License 2.0。