如何为MLflow添加无法通过conda.yaml安装的额外依赖库

以下方案在本地环境、Databricks环境均验证可用，不需要将托管在Azure Artifact上的库手动打包进MLflow项目：

方案1：conda.yaml 直接声明私有包依赖 #

这是最通用的配置方式，和安装公共PyPI库的流程几乎一致：

• 提前配置好Azure Artifact源的认证：本地环境将带个人访问令牌（PAT）的源地址写入pip全局配置，Databricks环境将PAT存在Secret Scope后注入集群环境变量，不要把PAT明文写在配置文件里
• 直接在conda.yaml的pip依赖段加入私有库的包名和对应版本，MLflow创建运行时虚拟环境时，会自动从配置好的额外源拉取对应包
  配置示例片段：

name: mlflow-runtime
channels:
  - conda-forge
dependencies:
  - python=3.10
  - pip
  - pandas==2.2.0
  - scikit-learn==1.4.0
  - pip:
      - your-private-azure-package==1.0.3 # 直接填写Azure Artifact上的私有包名即可

方案2：MLflow 加载时传入pip安装参数 #

适合临时调试场景，不需要修改全局pip配置：

• 调用MLflow加载模型、启动项目运行的API时，通过pip_options参数传入Azure Artifact的extra-index-url地址，运行时会自动拉取对应私有依赖
  本地Python API调用示例：

import os
import mlflow

# 从环境变量读取PAT，避免硬编码
azure_pat = os.getenv("AZURE_ARTIFACT_PAT")
mlflow.pyfunc.load_model(
    model_uri="runs:/<your-run-id>/model",
    pip_options=[
        "--extra-index-url",
        f"https://{azure_pat}@pkgs.dev.azure.com/your-org/your-project/_packaging/your-feed/pypi/simple/"
    ]
)

• Databricks环境下把上述代码里读环境变量的逻辑换成dbutils.secrets.get(scope="your-scope", key="azure-pat")即可，避免令牌泄露。

方案3：提前预装依赖，复用现有运行环境 #

如果不想让MLflow每次运行都新建隔离环境，可以提前把私有依赖装在运行环境里，跳过环境重建步骤：

• 本地环境：提前在当前Python虚拟环境中通过pip安装Azure Artifact上的私有库，运行MLflow命令时加上--no-conda参数，或者调用API时传入conda_env="base"，直接复用当前环境
• Databricks环境：把Azure Artifact上的私有库配置为集群全局库，或者通过集群Init脚本在节点启动时自动安装，MLflow任务运行时不强制新建隔离环境即可直接调用该库，适合生产环境批量任务使用，能大幅缩短任务启动时间

不同环境的注意事项 #

• 本地环境：配置完成后先单独执行pip安装命令验证私有库可正常拉取，确认PAT拥有对应feed的读取权限，避免MLflow建环境时出现认证报错
• Databricks环境：如果用MLflow模型服务部署，需要在模型服务的环境配置里提前加好Azure Artifact源和对应依赖，不要依赖预装的集群库

内容的提问来源于stack exchange，提问作者Kushagra Srivastava