Pliki
Czytaj, zapisuj, edytuj, usuwaj i listuj pliki bezpośrednio w folderze roboczym.
Produkt
potok uczenia maszynowego dla Twoich projektów
01
Model Ledger pomaga budować skrypty potoku uczenia maszynowego, odczytując, edytując pliki i uruchamiając polecenia w Twoim folderze, pokazując rzeczywiste wyniki.
Shell
Uruchamiaj polecenia terminala i zobacz rzeczywisty wynik oraz kod zakończenia.
Zatwierdzanie
Pauza przed zmianami, najpierw planuj lub uruchamiaj akcje automatycznie.
Funkcje
- Plikiread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob działają w folderze czatu.
- Shelluruchamia polecenia terminala, takie jak kompilacje i testy, oceniając sukces na podstawie rzeczywistego kodu zakończenia.
- Siećweb_search znajduje informacje, a http_get odczytuje strony oficjalnej dokumentacji.
- Zrzuty ekranu i obrazygen_image zapisuje rzeczywiste pliki obrazów, a ocr odczytuje tekst ze zrzutów ekranu.
- Orkiestracjatask dzieli pracę na równoległe pod-agenty, a run_on_model wysyła trudne kroki do większych modeli.
- Tryby zatwierdzaniaAuto-run działa natychmiast, Ask first pauzuje przed zmianami, Plan only zapisuje plan.
- Cronuruchamia polecenia zgodnie z harmonogramem.
- Modeleużyj dostawcy chmury, modelu lokalnego lub wbudowanego modelu z przyciskiem Test.
Jak to działa
Agent bada Twój projekt, uruchamia polecenia, edytuje skrypty i pokazuje każdą zmianę jako różnicę; w trybie Ask first różnica czeka na Twoją zgodę.
Stwórz skrypt bazowy, który czyta CSV i wypisuje najczęstszą etykietę.
- list_dir
.1 dopasowanie - write_file
baseline.pyzapisano - edit_file
baseline.py3 zmiany - Shell
python baseline.pyexit 0 - read_file
baseline.py8 linii
oczekuje na Twoją zgodę przed wykonaniem kolejnego krokuOdrzućAkceptuj
Przewodniki
Kroki dla początkujących
Rozpocznij swój potok uczenia maszynowego, wybierając mały pomysł, taki jak filtr spamu, a agent używa list_dir, aby zobaczyć strukturę Twojego folderu. To jest realne. Agent używa glob, aby znaleźć odpowiednie skrypty w folderze projektu. Następnie używa read_file, aby dokładnie sprawdzić kod ładowania danych. Następnie używa write_file, aby utworzyć prosty skrypt bazowy dla Ciebie. Osoby szukające 'praktycznych projektów ML do CV' często zaczynają od tej jasnej struktury. Używa edit_file, aby zmienić skrypt, jeśli jest to konieczne, pokazując różnicę w trybie Ask first. Na końcu uruchamia polecenie trenowania w narzędziu Shell dla rzeczywistego wyniku.
Zaawansowana recenzja
Agent używa grep, aby znaleźć, gdzie ustawienie jest używane w Twojej bazie kodu, i web_search, aby znaleźć oficjalną dokumentację dla Twojej biblioteki. Proste. Używa task, aby podzielić recenzję na części do przetwarzania równoległego. http_get czyta konkretne strony, podczas gdy gen_image zapisuje wykres. ocr odczytuje tekst ze zrzutu ekranu, a run_on_model obsługuje trudne kroki. Wtyczka kontroli wersji zarządza gałęziami i zatwierdzeniami dla Twoich projektów uczenia maszynowego dla początkujących. Cron planuje zadania, abyś przeglądał plan w trybie Plan only. Rzeczywiste pomysły na projekty ML pojawiają się, gdy przełączysz się na Auto-run, aby pozwolić mu na ukończenie.
Czego Model Ledger nie robi
Używaj go tylko na swoich własnych plikach, danych i systemach lub tych, dla których masz uprawnienia do zapisu, i ponosisz za to odpowiedzialność. Aplikacja nie gwarantuje, że kod lub analiza są poprawne, więc przejrzyj różnicę i uruchom testy. Jest przydatny do znajdowania dobrych tematów na projekty ML do CV.
