相同代码跑出不同指标？先锁定这两个变量
ML实验中最令人沮丧的场景之一：同样的代码、同样的数据，重新训练后模型指标却出现波动。这不是操作失误，而是pipeline中非确定性行为的必然结果。MLOps将可复现性列为核心原则，其目标很明确——相同输入必须始终产生相同输出。实现这一点需要同时控制两类变量：静态输入资产的完整追踪，以及动态随机行为的显式约束。
第一层面：追踪所有输入资产
可复现性的前提是知道"这次实验到底输入了什么"。一个ML模型的生成依赖三类核心资产，且任何一项的变更都会导致输出变化：
| 资产类型 | 追踪内容 | 典型工具/方法 |
|---|---|---|
| 代码 | 数据预处理、模型架构、训练逻辑 | Git commit、Release版本（如v1.2.3） |
| 数据 | 原始数据、特征工程后的数据集 | DVC、SQL版本列、Artifact存储 |
| 模型与配置 | 超参数、训练配置、环境依赖 | 模型注册表、结构化配置文件 |
代码版本化：Git已足够
代码追踪相对成熟，Git的commit机制天然提供快照能力。Release标签（语义化版本vMajor.Minor.Patch）比纯commit hash更易读，适合标记可复现的里程碑节点。
数据版本化：按场景选工具
数据版本化是工程实践中的难点，需根据数据类型和规模选择方案：
