Bestanden
Lees, schrijf, bewerk, verwijder en lijst bestanden direct in je werkmap.
Product
machine learning-pipeline voor je eigen projecten
01
Model Ledger helpt je scripts voor een machine learning-pipeline te bouwen door bestanden te lezen, te bewerken en commando's uit te voeren in je eigen map, waarbij de echte uitvoer wordt getoond.
Shell
Voer terminalcommando's uit en zie de echte uitvoer en exitcode.
Goedkeuring
Pauzeer voor wijzigingen, plan eerst of voer acties automatisch uit.
Functies
- Bestandenread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob werken in de chatmap.
- Shellvoert terminalcommando's uit zoals builds en tests, en beoordeelt succes aan de hand van de echte exitcode.
- Webweb_search vindt informatie en http_get leest officiële documentatiepagina's.
- Screenshots en afbeeldingengen_image slaat echte afbeeldingsbestanden op en ocr leest tekst uit screenshots.
- Orkestratietask verdeelt werk in parallelle sub-agents en run_on_model stuurt moeilijke stappen naar grotere modellen.
- GoedkeuringsmodiAuto-run voert direct uit, Ask first pauzeert voor wijzigingen, Plan only schrijft een plan.
- Cronvoert prompts uit volgens een schema.
- Modellengebruik een cloudprovider, een lokaal model of het ingebouwde model met een Test-knop.
Hoe het werkt
De agent inspecteert je project, voert commando's uit, bewerkt scripts en toont elke wijziging als een diff; in Ask first-wacht de diff op jouw goedkeuring.
Maak een basis script dat een CSV leest en het meest voorkomende label afdrukt.
- list_dir
.1 match - write_file
baseline.pyopgeslagen - edit_file
baseline.py3 wijzigingen - Shell
python baseline.pyexit 0 - read_file
baseline.py8 regels
wacht op jouw goedkeuring voor de volgende stapAfwijzenAccepteren
Uitleg
Stappen voor beginners
Start je machine learning-pipeline door een klein idee te kiezen, zoals een spamfilter, en de agent gebruikt list_dir om je mappenstructuur te zien. Het is echt. De agent gebruikt glob om relevante scripts in je projectmap te vinden. Vervolgens gebruikt hij read_file om je data-loading code zorgvuldig te inspecteren. Daarna gebruikt hij write_file om een eenvoudig basisscript voor je te maken. Mensen die zoeken naar 'praktische resume waardige ml projecten' beginnen vaak met dit soort duidelijke structuur. Hij gebruikt edit_file om het script bij te werken indien nodig, waarbij een diff wordt getoond in Ask first-modus. Tot slot voert hij je trainingscommando uit in het Shell-gereedschap voor echte uitvoer.
Geavanceerde review
De agent gebruikt grep om te vinden waar een instelling in je codebase wordt gebruikt en web_search om officiële documentatie voor je bibliotheek te vinden. Simpel. Hij gebruikt task om een review op te splitsen in delen voor parallelle verwerking. http_get leest specifieke pagina's terwijl gen_image een plot opslaat. ocr leest tekst uit een screenshot en run_on_model behandelt moeilijke stappen. De versie-controle skill beheert branches en commits voor je machine learning-projecten voor beginners. Cron plant taken zodat je het plan bekijkt in Plan only-modus. Echte wereld ml project ideeën ontstaan wanneer je overschakelt naar Auto-run om het te laten afronden.
Wat Model Ledger niet doet
Gebruik het alleen op je eigen bestanden, data en systemen of die waar je schrijfrecht voor hebt, en jij bent verantwoordelijk daarvoor. De app garandeert niet dat code of analyse correct is, dus bekijk de diff en voer de tests uit. Het is nuttig om goede onderwerpen te vinden voor ml-projecten op je cv.
