从 WorkflowTemplate 到执行监控，SAP AI Core 的 ML Operations 实战参考

我最近在看 SAP AI Core 的 ML Operations 这一层时，有一个很强的感觉，传统 SAP 项目里熟悉的那套生命周期管理思路，又在 AI 场景里换了一种形态出现了。以前我们谈 ABAP 程序、RAP BO、CDS View、OData Service，会自然想到开发对象、传输、激活、权限、运行日志、性能跟踪、错误排查。到了 SAP AI Core 里，名字变成了 Scenario、Executable、Configuration、Execution、Artifact、Metric、Schedule，但思路没有断，仍然是把一段业务能力从设计态推到运行态，再从运行态反馈到下一轮优化。在 S/4HANA 项目中，AI 很容易被讲成一个很大的概念，尤其是放到 PPT 里时，模型、向量、Embedding、LLM、Fine-tuning、RAG 全部挤在一起，看起来热闹，落地时却经常没有抓手。ML Operations 的价值就在这里，它不是讨论模型本身有多聪明，而是把模型训练、批量推理、数据集管理、结果沉淀、指标对比、定时重训这些脏活累活收进一个可管理的框架里。对于习惯 SAP 工程化方法的人来说，这层能力很重要，因为企业系统最怕的不是单次 Demo 跑不起来，而是上线之后没人知道模型从哪来、用的哪版数据、参数怎么设、训练失败在哪里、下一次重训会不会覆盖掉关键产物。SAP AI Core 里的 ML Operations 到底管什么SAP AI Core 的训练流程基于 Argo Workflows。Argo Workflows 是 Kubernetes 原生的工作流引擎，适合把预处理、训练、评估、批量推理这些步骤拆成