File
Leggi, scrivi, modifica, elimina ed elenca i file direttamente nella tua cartella di lavoro.
Prodotto
Pipeline machine learning per i tuoi progetti
01
Model Ledger ti aiuta a costruire gli script di una pipeline di machine learning leggendo, modificando file ed eseguendo i comandi nella tua cartella, mostrando l'output reale.
Shell
Esegui comandi del terminale e vedi l'output reale e il codice di uscita.
Approvazione
Fermati prima delle modifiche, pianifica prima o esegui le azioni automaticamente.
Funzionalità
- Fileread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob funzionano nella cartella della chat.
- Shellesegue comandi del terminale come build e test, valutando il successo tramite il codice di uscita reale.
- Webweb_search trova informazioni e http_get legge le pagine della documentazione ufficiale.
- Screenshot e immaginigen_image salva file immagine reali e ocr legge il testo dagli screenshot.
- Orchestrazionetask suddivide il lavoro in sotto-agenti paralleli e run_on_model invia passaggi difficili a modelli più grandi.
- Modalità di approvazioneAuto-run agisce subito, Ask first si ferma prima delle modifiche, Plan only scrive un piano.
- Cronesegue prompt su un programma.
- Modelliusa un provider cloud, un modello locale o il modello integrato con un pulsante di test.
Come funziona
L'agente ispeziona il tuo progetto, esegue comandi, modifica gli script e mostra ogni modifica come diff; in modalità Ask first il diff attende il tuo OK.
Crea uno script di base che legge un CSV e stampa l'etichetta più comune.
- list_dir
.1 corrispondenza - write_file
baseline.pysalvato - edit_file
baseline.py3 modifiche - Shell
python baseline.pyexit 0 - read_file
baseline.py8 righe
in attesa della tua approvazione prima del passaggio successivoRifiutaAccetta
Guide
Passaggi per principianti
Avvia la tua pipeline di machine learning scegliendo un'idea semplice come un filtro spam; l'agente usa list_dir per vedere la struttura della tua cartella. È reale. L'agente usa glob per trovare gli script rilevanti nella tua cartella di progetto. Poi usa read_file per ispezionare attentamente il tuo codice di caricamento dei dati. Successivamente, usa write_file per creare uno script di base semplice per te. Chi cerca 'progetti ml pratici per il curriculum' spesso inizia con questo tipo di struttura chiara. Usa edit_file per modificare lo script se necessario, mostrando un diff in modalità Ask first. Infine, esegue il tuo comando di addestramento nello strumento Shell per un output reale.
Revisione avanzata
L'agente usa grep per trovare dove viene impostata una configurazione nel tuo codice e web_search per trovare la documentazione ufficiale della tua libreria. Semplice. Usa task per dividere una revisione in parti per l'elaborazione parallela. http_get legge pagine specifiche mentre gen_image salva un grafico. ocr legge il testo da uno screenshot e run_on_model gestisce i passaggi difficili. L'abilità di controllo versione gestisce i branch e i commit per i tuoi progetti di machine learning per principianti. Cron programma le attività in modo che tu possa rivedere il piano in modalità Plan only. Le idee reali per progetti ml emergono quando passi ad Auto-run per lasciarlo completare.
Cosa non fa Model Ledger
Usalo solo sui tuoi file, dati e sistemi o su quelli per cui hai il permesso di scrittura, e ne sei responsabile. L'app non garantisce che il codice o l'analisi siano corretti, quindi rivedi il diff ed esegui i test. È utile per trovare buoni argomenti per progetti ml nel curriculum.
