Azure Databricks跨工作区复制ML模型：MLflow配置错误排查

一、解决"MLflow host or token is not configured correctly"错误 #

核心修正步骤： #

• 调整跟踪URI配置：在Databricks Runtime内部运行时，无需手动指定完整HTTPS URL，直接使用mlflow.set_tracking_uri("databricks")即可，MLflow会自动读取工作区的内置配置。只有外部环境连接Databricks时才需要用https://<workspace-url>/格式，内部运行用内置URI更稳定可靠。
• 提前设置环境变量：必须在导入MLflow模块前设置DATABRICKS_TOKEN和MLFLOW_TRACKING_TOKEN，否则MLflow初始化阶段无法读取到这些认证变量。
• 验证PAT权限：确认你的个人访问令牌（PAT）包含models:read权限（导出模型需要读取模型元数据的权限），可在Databricks工作区的用户设置中检查PAT的权限范围。

修正后的代码示例：

import os

# 先设置环境变量，再导入MLflow相关模块
os.environ["DATABRICKS_TOKEN"] = "mnop6672ec8e20c7d219eb2A-3"
os.environ["MLFLOW_TRACKING_TOKEN"] = "mnop6672ec8e20c7d219eb2A-3"

import mlflow
from mlflow_export_import.model.export_model import ModelExporter
from mlflow.tracking import MlflowClient

# Databricks内部运行时使用内置跟踪URI
mlflow.set_tracking_uri("databricks")

mlflow_client = MlflowClient()
exporter = ModelExporter(mlflow_client)

exporter.export_model(
    model_name="Signature_Test",
    output_dir="/tmp/mlflow_export/model",
    stages=None,
    export_metadata_tags=True
)

二、解决mlflow-skinny与完整mlflow的依赖冲突 #

• 安装完整MLflow库：在Databricks notebook中执行%pip install mlflow，覆盖默认的mlflow-skinny版本，安装完成后需要重启内核才能生效。
• 替代方案：使用Databricks原生工具：如果不想替换mlflow-skinny，可直接使用Databricks REST API或CLI导出模型，无需依赖第三方的mlflow-export-import工具。

额外排查点 #

• 再次核对工作区URL，确认无拼写错误或多余的斜杠。
• 先用mlflow_client.list_registered_models()测试连接，验证MLflow客户端是否能正常访问工作区模型，排除工具本身的问题。

内容的提问来源于stack exchange，提问作者Gopinath Rajee