pipeline de machine learning para tus propios proyectos

Características

• Archivosread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob funcionan en la carpeta del chat.
• Shellejecuta comandos de terminal como compilaciones y pruebas, juzgando el éxito por el código de salida real.
• Webweb_search encuentra información y http_get lee páginas de documentación oficial.
• Capturas de pantalla e imágenesgen_image guarda archivos de imagen reales y ocr lee texto de capturas de pantalla.
• Orquestacióntask divide el trabajo en subagentes en paralelo y run_on_model envía pasos difíciles a modelos más grandes.
• Modos de aprobaciónAuto-run actúa de inmediato, Ask first pausa antes de los cambios, Plan only escribe un plan.
• Cronejecuta prompts en un horario.
• Modelosusa un proveedor en la nube, un modelo local o el modelo integrado con un botón de prueba.

Guías paso a paso

Pasos para principiantes

Inicia tu pipeline de machine learning eligiendo una idea pequeña como un filtro de spam, y el agente usa list_dir para ver la estructura de tu carpeta. Es real. El agente usa glob para encontrar scripts relevantes en tu carpeta de proyecto. Luego usa read_file para inspeccionar cuidadosamente tu código de carga de datos. A continuación, usa write_file para crear un script base simple para ti. Las personas que buscan 'proyectos de ml prácticos para tu currículum' suelen comenzar con este tipo de estructura clara. Usa edit_file para cambiar el script si es necesario, mostrando un diff en modo Ask first. Finalmente, ejecuta tu comando de entrenamiento en la herramienta Shell para obtener una salida real.

Revisión avanzada

El agente usa grep para encontrar dónde se usa una configuración en tu base de código y web_search para encontrar documentación oficial para tu biblioteca. Simple. Usa task para dividir una revisión en partes para procesamiento paralelo. http_get lee páginas específicas mientras gen_image guarda un gráfico. ocr lee texto de una captura de pantalla y run_on_model maneja pasos difíciles. La habilidad de control de versiones gestiona ramas y commits para tus proyectos de machine learning para principiantes. Cron programa tareas para que revises el plan en modo Plan only. Las ideas de proyectos de ml del mundo real surgen cuando cambias a Auto-run para dejar que termine.