Arquivos
Leia, escreva, edite, exclua e liste arquivos diretamente na sua pasta de trabalho.
Produto
pipeline de machine learning para seus próprios projetos
01
O Model Ledger ajuda você a construir os scripts de um pipeline de machine learning lendo, editando arquivos e executando seus comandos na sua própria pasta, mostrando o resultado real.
Shell
Execute comandos do terminal e veja o resultado real e o código de saída.
Aprovação
Pausar antes das alterações, planejar primeiro ou executar ações automaticamente.
Recursos
- Arquivosread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob funcionam na pasta do chat.
- Shellexecuta comandos do terminal, como builds e testes, avaliando o sucesso pelo código de saída real.
- Webweb_search encontra informações e http_get lê páginas de documentação oficial.
- Capturas de tela e imagensgen_image salva arquivos de imagem reais e ocr lê texto de capturas de tela.
- Orquestraçãotask divide o trabalho em sub-agentes paralelos e run_on_model envia etapas complexas para modelos maiores.
- Modos de aprovaçãoAuto-run executa de imediato, Ask first pausa antes das alterações, Plan only escreve um plano.
- Cronexecuta prompts em um cronograma.
- Modelosuse um provedor de nuvem, um modelo local ou o modelo integrado com um botão Testar.
Como funciona
O agente inspeciona seu projeto, executa comandos, edita scripts e mostra cada alteração como um diff; no modo Ask first, o diff aguarda sua aprovação.
Crie um script de linha de base que leia um CSV e imprima o rótulo mais comum.
- list_dir
.1 correspondência - write_file
baseline.pysalvo - edit_file
baseline.py3 alterações - Shell
python baseline.pyexit 0 - read_file
baseline.py8 linhas
aguardando sua aprovação antes da próxima etapaRejeitarAceitar
Tutoriais
Passos para iniciantes
Inicie seu pipeline de machine learning escolhendo uma ideia simples, como um filtro de spam, e o agente usa list_dir para ver a estrutura da sua pasta. É real. O agente usa glob para encontrar scripts relevantes na pasta do seu projeto. Em seguida, usa read_file para inspecionar cuidadosamente seu código de carregamento de dados. Depois, usa write_file para criar um script de linha de base simples para você. Quem busca por 'projetos práticos de ml para currículo' frequentemente começa com esse tipo de estrutura clara. Ele usa edit_file para alterar o script, se necessário, mostrando um diff no modo Ask first. Por fim, executa seu comando de treinamento na ferramenta Shell para obter saída real.
Revisão avançada
O agente usa grep para encontrar onde uma configuração é usada em sua base de código e web_search para encontrar documentação oficial da sua biblioteca. Simples. Ele usa task para dividir uma revisão em partes para processamento paralelo. http_get lê páginas específicas enquanto gen_image salva um gráfico. ocr lê texto de uma captura de tela e run_on_model lida com etapas complexas. A habilidade de controle de versão gerencia ramificações e commits para seus projetos de machine learning para iniciantes. Cron agenda tarefas para que você revise o plano no modo Plan only. Ideias reais de projetos de ml surgem quando você muda para Auto-run para deixá-lo terminar.
O que o Model Ledger não faz
Use-o apenas em seus próprios arquivos, dados e sistemas ou naqueles para os quais você tem permissão de escrita, e você é responsável por isso. O aplicativo não garante que o código ou a análise estejam corretos, então revise o diff e execute os testes. É útil para encontrar bons tópicos para projetos de ml no currículo.
