File
Đọc, ghi, chỉnh sửa, xóa và liệt kê file trực tiếp trong thư mục làm việc của bạn.
Model Ledger giúp bạn xây dựng script cho pipeline machine learning bằng cách đọc, chỉnh sửa file và chạy lệnh trong thư mục của bạn, đồng thời hiển thị kết quả thực tế.
Đọc, ghi, chỉnh sửa, xóa và liệt kê file trực tiếp trong thư mục làm việc của bạn.
Chạy lệnh terminal và xem kết quả thực tế cùng mã thoát.
Tạm dừng trước khi thay đổi, lập kế hoạch trước hoặc chạy tự động.
Agent kiểm tra dự án của bạn, chạy lệnh, chỉnh sửa script và hiển thị mọi thay đổi dưới dạng diff; ở chế độ Ask first, diff chờ sự chấp thuận của bạn.
.1 matchbaseline.pyđã lưubaseline.py3 thay đổipython baseline.pyexit 0baseline.py8 dòngBắt đầu pipeline machine learning của bạn bằng cách chọn một ý tưởng nhỏ như bộ lọc spam, và agent sử dụng list_dir để xem cấu trúc thư mục của bạn. Nó là thực tế. Agent sử dụng glob để tìm các script liên quan trong thư mục dự án của bạn. Sau đó, nó sử dụng read_file để kiểm tra kỹ lưỡng mã tải dữ liệu của bạn. Tiếp theo, nó sử dụng write_file để tạo một script cơ sở đơn giản cho bạn. Những người tìm kiếm 'dự án ml thực tế có giá trị cho CV' thường bắt đầu với cấu trúc rõ ràng này. Nó sử dụng edit_file để thay đổi script nếu cần, hiển thị diff ở chế độ Ask first. Cuối cùng, nó chạy lệnh training của bạn trong công cụ Shell để có kết quả thực tế.
Agent sử dụng grep để tìm nơi một cài đặt được sử dụng trong codebase của bạn và web_search để tìm tài liệu chính thức cho thư viện của bạn. Đơn giản. Nó sử dụng task để chia một bài review thành các phần để xử lý song song. http_get đọc các trang cụ thể trong khi gen_image lưu một plot. ocr đọc văn bản từ ảnh chụp màn hình và run_on_model xử lý các bước khó. Kỹ năng version-control quản lý các branch và commit cho các dự án machine learning của bạn dành cho người mới bắt đầu. Cron lên lịch các task để bạn xem lại plan ở chế độ Plan only. Ý tưởng dự án ml thực tế xuất hiện khi bạn chuyển sang Auto-run để cho phép nó hoàn thành.
Chỉ sử dụng nó trên các file, dữ liệu và hệ thống của riêng bạn hoặc những thứ bạn có quyền ghi, và bạn chịu trách nhiệm về điều đó. Ứng dụng không đảm bảo rằng code hoặc phân tích là chính xác, vì vậy hãy xem lại diff và chạy các test. Nó hữu ích để tìm các chủ đề tốt cho các dự án ml trong CV.