一句话说：实验追踪（Experiment Tracking）是把每一次模型训练当成一次可回查的实验，记录参数、数据、代码、环境和结果，让你事后能回答"这个结果是怎么跑出来的"。
打个比方：你在厨房试了二十次番茄炒蛋，第二十三次终于好吃到爆，可你没记配方——鸡蛋三个还是四个？糖放了没有？下次想复现只能靠猜。模型训练更麻烦：跑了三十轮，指标最好的是哪次？是改了学习率，换了数据清洗规则，还是只换了个随机种子？没有记录，答案全靠脑补。
实验追踪要记的，是复现一次训练所需的"最小信息集合"：
- 超参数（Hyperparameter）：学习率、批大小、训练轮数
- 数据版本：用哪一版数据、怎么切分
- 代码版本：对应的代码提交
- 环境与随机种子：依赖、硬件、seed
- 指标曲线：损失、准确率随训练的变化
- 产物：模型权重、日志、预测样例存在哪
记完还不算完，关键是能横向比较：把所有实验放进一张表，按指标排序、按参数筛选，一眼看出"哪次改动真有用"。常见做法是用 MLflow、Weights & Biases、TensorBoard 这类工具，具体功能以官方页面为准。
它和相邻概念容易混：
| 概念 | 管什么 | 回答的问题 |
|---|---|---|
| 版本控制（Git） | 代码变更史 | 代码改了什么 |
| 日志/看板 | 单次训练的输出 | 这次训练现在怎么样 |
| 实验追踪 | 多次训练的上下文与结果 | 哪个方案更好、为什么 |
| 模型注册（Model Registry） | 最终模型的上线与版本 | 线上该用哪个 |
Git 管代码，日志管当下，实验追踪管"试过什么"，模型注册管"最终用哪个"。
对从业者，它省时间、少扯皮：复现好结果不用翻聊天记录，交接项目不用口头传功，写报告能直接拿出对比表。对普通职场人，这套思路同样适用——做 A/B 测试、调投放策略，只要记下"当时改了什么、结果如何"，复盘才不会变成讲故事。
一句提醒：记录的标准不是越全越好，而是"别人拿这份记录，能不能重跑一遍"。