สายงาน machine learning สำหรับโปรเจกต์ของคุณ

คุณสมบัติ

• ไฟล์read_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob ทำงานในโฟลเดอร์แชท
• Shellรันคำสั่งเทอร์มินัลเช่นการ build และทดสอบ โดยตัดสินความสำเร็จจาก exit code จริง
• เว็บweb_search ค้นหาข้อมูลและ http_get อ่านหน้าเอกสารทางการ
• ภาพและภาพหน้าจอgen_image บันทึกไฟล์ภาพจริงและ ocr อ่านข้อความจากภาพหน้าจอ
• การประสานงานtask แบ่งงานออกเป็น sub-agents แบบขนานและ run_on_model ส่งขั้นตอนที่ยากไปยังโมเดลขนาดใหญ่
• โหมดการอนุมัติAuto-run ทำงานทันที, Ask first หยุดก่อนเปลี่ยนแปลง, Plan only เขียนแผน
• Cronรัน prompt ตามกำหนดเวลา
• โมเดลใช้ผู้ให้บริการคลาวด์ โมเดลท้องถิ่น หรือโมเดลในตัวพร้อมปุ่มทดสอบ

บทแนะนำ

ขั้นตอนสำหรับผู้เริ่มต้น

เริ่มต้นสายงาน machine learning ของคุณด้วยการเลือกไอเดียเล็กๆ เช่น ตัวกรองสแปม และเอเจนต์จะใช้ list_dir เพื่อดูโครงสร้างโฟลเดอร์ของคุณ มันคือของจริง เอเจนต์ใช้ glob เพื่อค้นหาสคริปต์ที่เกี่ยวข้องในโฟลเดอร์โปรเจกต์ของคุณ จากนั้นใช้ read_file เพื่อตรวจสอบโค้ดการโหลดข้อมูลของคุณอย่างละเอียด ต่อไป ใช้ write_file เพื่อสร้างสคริปต์พื้นฐานง่ายๆ สำหรับคุณ คนที่ค้นหา 'โปรเจกต์ ml สำหรับเรซูเม่ที่ใช้งานได้จริง' มักเริ่มต้นด้วยโครงสร้างที่ชัดเจนแบบนี้เป็นหลัก ใช้ edit_file เพื่อแก้ไขสคริปต์หากจำเป็น โดยแสดง diff ในโหมด Ask first สุดท้าย รันคำสั่งการฝึกของคุณในเครื่องมือ Shell เพื่อผลลัพธ์จริง

การตรวจสอบขั้นสูง

เอเจนต์ใช้ grep เพื่อค้นหาว่ามีการตั้งค่าใดในโค้ดเบสของคุณ และใช้ web_search เพื่อค้นหาเอกสารทางการสำหรับไลบรารีของคุณ ง่ายๆ เอเจนต์ใช้ task เพื่อแบ่งการตรวจสอบออกเป็นส่วนๆ สำหรับการประมวลผลแบบขนาน http_get อ่านหน้าเฉพาะในขณะที่ gen_image บันทึกพล็อต ocr อ่านข้อความจากภาพหน้าจอและ run_on_model จัดการขั้นตอนที่ยาก ทักษะการจัดการเวอร์ชันควบคุมจัดการสาขาและการ commit สำหรับโปรเจกต์ machine learning สำหรับมือใหม่ของคุณ Cron กำหนดเวลาทำงานเพื่อให้คุณตรวจสอบแผนในโหมด Plan only ไอเดียโปรเจกต์ ml ในโลกจริงจะปรากฏเมื่อคุณสลับไปใช้ Auto-run เพื่อให้มันทำงานเสร็จ