核心要点
DataOps 是把 DevOps 原则（自动化/测试/监控）用于数据流水线，保证数据可靠、及时、可溯源
DataOps 管数据层、MLOps 管模型层，二者通过特征平台衔接——数据质量是 ML 成功的先决条件
核心抓手是数据契约、自动化校验（空值率/分布/唯一性）与血缘追踪
模型退化的根因常在数据（上游表变更、采样偏差），靠血缘能快速定位而非盲查模型
标准回答
DataOps：将 DevOps 原则应用于数据流水线——自动化、测试、监控、协作，确保数据可靠、及时、可溯源。
核心实践：
- 数据契约（Data Contract）：上下游约定 schema、SLA、质量指标
- 自动化测试：空值率、分布漂移、唯一性约束
- 血缘（Lineage）：追踪字段从源表到特征/模型的路径
- 编排：Airflow/Dagster 调度 ETL，可观测失败重试
与 MLOps 关系：
DataOps（数据层）→ Feature Store → MLOps（模型层）→ Serving| DataOps | MLOps |
|---|---|
| 数据质量、ETL | 模型训练、部署 |
| Schema 演进 | 模型版本演进 |
| 数据目录 | 模型注册表 |
协同：MLOps 模型退化时，根因常在数据（上游表变更、采样偏差）——需 DataOps 血缘快速定位。详见 MLOps 入门。
常见误区
⚠️ 常见踩坑
DataOps 与 MLOps 完全等同或完全割裂；忽视数据质量对模型的决定性影响。
追问
追问 1：数据契约违反时 ML 流水线应如何反应？
应在流水线入口做校验并 fail fast：检测到 schema 变更或质量指标越界（如某字段空值率骤增）就阻断下游训练/特征生成并告警，而不是带着脏数据继续训练上线。可对非关键问题降级（隔离坏分区继续跑），关键违约则停流并通知上游 owner。
追问 2：Feature Store 算 DataOps 还是 MLOps？
它处在两者交界。下半部分（数据采集、转换、materialize、质量校验）属 DataOps 范畴；上半部分（特征版本、训练/serving 一致性、被模型消费）服务于 MLOps。实践中它正是连接 DataOps 与 MLOps 的桥梁。
追问 3：实时数据质量如何监控？
在流式管道里对每批/窗口数据计算质量指标（到达延迟、空值率、取值范围、分布漂移），与基线对比超阈值即告警；用 Kafka/Flink 内嵌校验或 Great Expectations 等做断言。关键是低延迟告警并能定位到具体上游分区。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- BentoML
AI 模型服务化框架，8.6K+ stars。最简化的方式部署 AI 应用和模型，支持模型推理 API、任务队列、LLM 服务等，是模型从实验到生产的桥梁
- Great Expectations
数据质量和验证框架，帮助团队定义、测试和文档化数据期望值，确保数据管道的可靠性。