Dateien
Lese, schreibe, bearbeite, lösche und liste Dateien direkt in deinem Arbeitsordner.
Produkt
Machine-Learning-Pipeline für deine eigenen Projekte
01
Model Ledger unterstützt dich beim Erstellen von Skripten für eine Machine-Learning-Pipeline: Es liest und bearbeitet Dateien, führt Befehle in deinem Ordner aus und zeigt die echte Ausgabe.
Shell
Führe Terminalbefehle aus und sieh die echte Ausgabe sowie den Exit-Code.
Freigabe
Pausiere vor Änderungen, plane zuerst oder führe Aktionen automatisch aus.
Funktionen
- Dateienread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob funktionieren im Chat-Ordner.
- ShellFührt Terminalbefehle wie Builds und Tests aus und bewertet den Erfolg anhand des echten Exit-Codes.
- Webweb_search findet Informationen und http_get liest offizielle Dokumentationsseiten.
- Screenshots und Bildergen_image speichert echte Bilddateien und ocr liest Text aus Screenshots.
- Orchestrierungtask teilt die Arbeit in parallele Sub-Agents auf und run_on_model sendet komplexe Schritte an größere Modelle.
- FreigabemodiAuto-run führt sofort aus, Ask first pausiert vor Änderungen, Plan only erstellt einen Plan.
- CronFührt Prompts zeitgesteuert aus.
- ModelleNutze einen Cloud-Anbieter, ein lokales Modell oder das integrierte Modell mit einer Test-Schaltfläche.
So funktioniert es
Der Agent prüft dein Projekt, führt Befehle aus, bearbeitet Skripte und zeigt jede Änderung als Diff an; im Ask first-Modus wartet das Diff auf deine Bestätigung.
Erstelle ein Basis-Skript, das eine CSV-Datei liest und das häufigste Label ausgibt.
- list_dir
.1 Treffer - write_file
baseline.pygespeichert - edit_file
baseline.py3 Änderungen - Shell
python baseline.pyexit 0 - read_file
baseline.py8 Zeilen
wartet auf Ihre Freigabe vor dem nächsten SchrittAblehnenAkzeptieren
Anleitungen
Schritte für Einsteiger
Starte deine Machine-Learning-Pipeline, indem du eine kleine Idee wie einen Spam-Filter wählst. Der Agent nutzt list_dir, um deine Ordnerstruktur zu sehen. Es ist echt. Der Agent nutzt glob, um relevante Skripte in deinem Projektordner zu finden. Dann nutzt er read_file, um deinen Datenlade-Code sorgfältig zu prüfen. Als Nächstes erstellt er write_file ein einfaches Basis-Skript für dich. Wer nach 'praktischen, lebenslauftauglichen ML-Projekten' sucht, beginnt oft mit dieser klaren Struktur. Er nutzt edit_file, um das Skript bei Bedarf zu ändern, und zeigt im Ask first-Modus ein Diff an. Schließlich führt er deinen Trainingsbefehl im Shell-Tool für echte Ausgaben aus.
Erweiterte Überprüfung
Der Agent nutzt grep, um zu finden, wo eine Einstellung in deiner Codebasis verwendet wird, und web_search, um offizielle Dokumentation für deine Bibliothek zu finden. Einfach. Er nutzt task, um eine Überprüfung in Teile für die parallele Verarbeitung aufzuteilen. http_get liest spezifische Seiten, während gen_image einen Plot speichert. ocr liest Text aus einem Screenshot und run_on_model behandelt komplexe Schritte. Das Version-Control-Skill verwaltet Branches und Commits für deine Machine-Learning-Projekte für Einsteiger. Cron plant Aufgaben, sodass du den Plan im Plan only-Modus überprüfst. Echte ML-Projektideen entstehen, wenn du zu Auto-run wechselst, um es abschließen zu lassen.
Was Model Ledger nicht tut
Nutze es nur für deine eigenen Dateien, Daten und Systeme oder solche, für die du Schreibrechte hast, und du bist dafür verantwortlich. Die App garantiert nicht, dass Code oder Analyse korrekt ist, also überprüfe das Diff und führe die Tests aus. Es ist nützlich, um gute Themen für ML-Projekte im Lebenslauf zu finden.
