Файли
Читайте, записуйте, редагуйте, видаляйте та переглядайте файли безпосередньо у вашій робочій папці.
Продукт
ML-конвеєр для ваших власних проєктів
01
Model Ledger допомагає створювати скрипти ML-конвеєра, читаючи, редагуючи файли та запускаючи ваші команди у вашій власній папці, показуючи реальний вивід.
Shell
Запускайте команди терміналу та бачте реальний вивід та код виходу.
Затвердження
Пауза перед змінами, спочатку план, або автоматичне виконання дій.
Функції
- Файлиread_file, write_file, edit_file, delete_file, make_dir, move_file, copy_file, list_dir, grep, glob працюють у папці чату.
- Shellзапускає команди терміналу, як-от збірки та тести, оцінюючи успіх за реальним кодом виходу.
- Вебweb_search знаходить інформацію, а http_get читає сторінки офіційної документації.
- Знімки екрана та зображенняgen_image зберігає реальні файли зображень, а ocr читає текст зі знімків екрана.
- Оркестраціяtask розбиває роботу на паралельні підагенти, а run_on_model надсилає складні кроки до більших моделей.
- Режими затвердженняAuto-run діє миттєво, Ask first робить паузу перед змінами, Plan only записує план.
- Cronзапускає промпти за графіком.
- Моделівикористовуйте хмарного постачальника, локальну модель або вбудовану модель з кнопкою Тест.
Як це працює
Агент оглядає ваш проєкт, запускає команди, редагує скрипти та показує кожну зміну як diff; у режимі Ask first diff чекає на ваше схвалення.
Створіть базовий скрипт, який читає CSV-файл і виводить найпоширенішу мітку.
- list_dir
.1 збіг - write_file
baseline.pyзбережено - edit_file
baseline.py3 зміни - Shell
python baseline.pyexit 0 - read_file
baseline.py8 рядків
чекає на вашу згоду перед наступним крокомВідхилитиПрийняти
Інструкції
Кроки для початківців
Почніть свій ML-конвеєр, обравши невелику ідею, наприклад, фільтр спаму, і агент використовує list_dir, щоб побачити структуру вашої папки. Це реально. Агент використовує glob для пошуку відповідних скриптів у вашій папці проєкту. Далі він використовує read_file, щоб уважно перевірити ваш код завантаження даних. Далі він використовує write_file, щоб створити для вас простий базовий скрипт. Люди, які шукають 'практичні ML-проєкти для резюме', часто починають саме з такої чіткої структури. Він використовує edit_file, щоб змінити скрипт за потреби, показуючи diff у режимі Ask first. Нарешті, він запускає вашу команду навчання в інструменті Shell для реального виводу.
Розширений огляд
Агент використовує grep, щоб знайти, де використовується налаштування у вашій кодовій базі, і web_search, щоб знайти офіційну документацію для вашої бібліотеки. Просто. Він використовує task, щоб розбити огляд на частини для паралельної обробки. http_get читає конкретні сторінки, а gen_image зберігає графік. ocr читає текст зі знімка екрана, а run_on_model обробляє складні кроки. Навичка контролю версій керує гілками та комітами для ваших ML-проєктів для початківців. Cron планує завдання, щоб ви могли переглянути план у режимі Plan only. Реальні ідеї ML-проєктів виникають, коли ви перемикаєтесь на Auto-run, щоб дозволити йому завершити роботу.
Чого Model Ledger не робить
Використовуйте його лише для ваших власних файлів, даних і систем або тих, для яких у вас є право на запис, і ви несете за це відповідальність. Програма не гарантує, що код або аналіз є правильними, тому переглядайте diff і запускайте тести. Це корисно для пошуку гарних тем для ML-проєктів у резюме.
