*MLflow 3.14.0 chega com comando único para simplificar o onboarding de agentes, melhorias no rastreamento e nova interface para avaliação de modelos.*
MLflow lançou a versão 3.14.0 com destaque para a introdução do comando `mlflow agent setup`, que unifica e automatiza a instalação e configuração do MLflow para agentes de programação, incluindo Claude Code, OpenAI Codex e OpenCode. Essa novidade facilita o rastreamento automático de execuções, reduzindo barreiras técnicas para equipes que desenvolvem modelos de inteligência artificial.
## Comando único para ativação integral de agentes
O novo comando `mlflow agent setup` consolida diversas etapas antes manuais, incluindo a instalação do MLflow, configuração do rastreamento e instrumentação dos agentes de código. Isso permite que usuários iniciem rapidamente o monitoramento de suas execuções sem precisar lidar com múltiplos comandos ou scripts personalizados.
Além disso, o rastreamento para o agente Claude Code ganhou um mecanismo de write-ahead-log — uma técnica que grava as informações de execução antes do processamento para garantir a durabilidade dos dados. Isso previne a perda ou atraso de registros em redes instáveis ou quando o sistema sofre crashes.
## Interface remodelada para revisão e datasets de avaliação
A equipe do MLflow redesenhou a interface de usuário que permite navegar, inspecionar e editar conjuntos de dados de avaliação. A nova UI suporta gestão em massa dos registros e oferece acesso direto aos traços de execução correspondentes, facilitando a análise detalhada dos resultados.
Foi implementada uma funcionalidade de filas para revisão colaborativa de traços, que possibilita atribuir análises para equipes e registrar feedback estruturado diretamente nos traços. Essa colaboração integrada apoia uma avaliação imediata e contínua do desempenho do modelo.
## Integração com pytest para regressão em GenAI
MLflow 3.14.0 também adiciona suporte ao framework pytest para criar testes de regressão específicos para modelos generativos de IA (GenAI). Com o marcador `@mlflow.test`, desenvolvedores podem definir casos de teste que são automaticamente rastreados, com resultados visíveis na interface do MLflow, aumentando a confiança na estabilidade dos modelos à medida que evoluem.
## Ambiente interativo para experimentação com LLMs
Um playground web permite que usuários interajam diretamente com endpoints de grandes modelos de linguagem (LLMs) e versões do Prompt Registry. A ferramenta possibilita ajustes finos nos prompts e variáveis, facilitando a prototipagem e validação rápida de ideias.
## Breaking changes exigem atenção na serialização
Esta versão altera o padrão do parâmetro `serialization_format` em APIs de log_model para bibliotecas populares como mlflow.sklearn, mlflow.pytorch e mlflow.lightgbm. Essa mudança pode gerar incompatibilidades em fluxos personalizados, requerendo ajustes na serialização para garantir que modelos sejam carregados e avaliados corretamente.
## Outras melhorias e correções
A atualização traz melhorias gerais na estabilidade do rastreamento, usabilidade da UI, integração com provedores de modelo e segurança. Entre as correções estão ajustes no feedback visual das interfaces, melhor suporte a autenticação e respostas JSON, que tornam a experiência mais fluida e confiável.
Os usuários que implementam agentes de código e avaliam modelos complexos devem considerar atualizar para tirar proveito do onboarding simplificado e das novas ferramentas colaborativas, mas também revisar seus pipelines devido às mudanças na serialização.
Para conferir todos os detalhes e instruções, acesse a release oficial no [GitHub MLflow 3.14.0](https://github.com/mlflow/mlflow/releases/tag/v3.14.0).
