AWS Lambda部署ML脚本遇依赖超限，求微服务架构常规方案

企业对简单SKLearn逻辑的托管选择 #

• 当然会，把这类轻量自定义ML逻辑部署到AWS SageMaker这类专门的ML服务是很普遍的企业级实践。
• SageMaker提供的Serverless推理端点就是专门为这类场景设计的：它能自动适配ML依赖的运行环境，不用再纠结Lambda的体积限制，还自带自动扩缩容、模型监控等运维能力，比硬在Lambda里塞大依赖要高效得多。

除Docker外的其他可行方案 #

• 裁剪依赖包体积：用pip install --target . --no-deps scikit-learn numpy安装依赖后，手动删除不必要的文件（比如文档、测试套件、示例代码），很多情况下能把scipy这类大依赖压缩到Lambda的限制范围内。
• Lambda+SageMaker混合架构：把API的轻量逻辑（比如参数校验、请求转发）留在Lambda，把需要重依赖的ML运算（向量运算、聚类）交给SageMaker端点处理，既保留Lambda的灵活性，又解决了依赖体积问题。
• 拆分Lambda层：虽然单层层有大小限制，但可以把不同依赖拆分到多个层中分别部署，不过这种方式需要对依赖结构比较熟悉，管理起来相对繁琐，适合依赖拆分清晰的场景。

内容的提问来源于stack exchange，提问作者Peter Lim