概述

MLE-Agent专为机器学习工程师和研究人员设计，是一款配对式LLM代理。其主要特点包括：

• 🤖 自主基线：根据您的需求自动构建机器学习/人工智能基线和解决方案。
• 🏅 端到端机器学习任务：参与Kaggle竞赛并独立完成任务。
• 🔍 集成Arxiv和Papers with Code：访问最佳实践和最先进方法。
• 🐛 智能调试：通过自动调试器与编码器交互确保高质量代码。
• 📂 文件系统集成：高效组织您的项目结构。
• 🧰 综合工具集成：包含AI/ML功能和MLOps工具，实现无缝工作流。
• ☕ 交互式CLI聊天：通过易于使用的聊天界面增强您的项目。
• 🧠 智能顾问：为您的机器学习/人工智能项目提供个性化建议和推荐。
• 📊 每周报告：自动生成详细的每周工作总结。

流程	代理

视频演示

https://github.com/user-attachments/assets/dac7be90-c662-4d0d-8d3a-2bc4df9cffb9

里程碑

• :rocket: 2024年9月24日：发布0.4.2版本，增强Auto-Kaggle模式，以最少 effort 完成端到端竞赛。
• :rocket: 2024年9月10日：发布0.4.0版本，新增CLI如MLE report、MLE kaggle、MLE integration等，并支持多种新模型，例如Mistral。
• :rocket: 2024年7月25日：发布0.3.0版本，进行了大规模重构及多项集成。（v0.3.0）
• :rocket: 2024年7月11日：发布0.2.0版本，支持多代理交互。（v0.2.0）
• 👨‍🍼 2024年7月3日：Kaia诞生
• :rocket: 2024年6月1日：发布MLE代理的第一个基于规则的版本。（v0.1.0）

开始使用

安装

从PyPI安装

# 使用pip：
pip install -U mle-agent

# 使用uv：
uv pip install -U mle-agent

从源码安装

1. 克隆仓库

   git clone https://github.com/MLSysOps/MLE-agent.git
   cd MLE-agent
   

2. 创建并激活虚拟环境

   uv venv .venv
   source .venv/bin/activate      # Linux/macOS
   

3. 可编辑安装

   pip install -e .               # 或：pip install -e .
   

使用

mle new <项目名称>

当前路径下将创建一个项目目录，您需要在该项目目录中启动项目。

cd <项目名称>
mle start

您还可以在项目目录下的终端中启动交互式聊天：

mle chat

使用场景

🧪 构建机器学习基线原型

MLE代理可根据给定需求帮助您构建机器学习基线原型，并在本地机器上测试模型。需求可以比较模糊，例如“我想根据历史数据预测股价”。

cd <项目名称>
mle start

:bar_chart: 生成工作报告

MLE代理可以帮助您总结每周工作报告，包括开发进度、沟通记录、参考资料和待办事项清单。

模式1：基于GitHub的Web应用生成报告

cd <项目名称>
mle report

然后，您可以访问http://localhost:3000/来在本地生成报告。

模式2：基于本地Git仓库的CLI工具生成报告

cd <项目名称>
mle report-local --email=<git邮箱> --start-date=YYYY-MM-DD --end-date=YYYY-MM-DD <git仓库路径>

• --start-date和--end-date是可选参数。如果省略，命令将为默认的最近7天生成报告。
• 将<git邮箱>替换为您的Git邮箱，<git仓库路径>替换为您本地Git仓库的路径。

:trophy: 参与Kaggle竞赛

MLE代理可以独立参与Kaggle竞赛，从数据准备到模型训练完成编码和调试。以下是开始Kaggle竞赛的基本命令：

cd <项目名称>
mle kaggle

或者，如果您已准备好数据集和提交文件，可以让代理在无人干预的情况下完成Kaggle任务：

cd <项目名称>
mle kaggle --auto \
--datasets "<数据集1路径>,<数据集2路径>,..." \
--description "<描述文件路径或文本>" \
--submission "<提交文件路径>" \
--sub_example "<示例提交文件路径>" \ 
--comp_id "<竞赛ID>"

请确保在运行命令前已加入该竞赛。更多详情，请参阅MLE-Agent教程。

路线图

以下是我們計劃執行的任務清單，歡迎提出新的建議！

:hammer: 通用功能

• 理解用戶需求，以創建端到端的人工智慧專案
• 利用網路搜尋推薦當前最佳的資料科學解決方案
• 在人機互動的情況下規劃機器學習工程任務
• 在本地機器或雲端上執行代碼、調試並修復錯誤
• 利用內建功能完成機器學習工程任務
• 互動式聊天：一種人機協同模式，幫助改進現有的機器學習專案
• Kaggle 模式：在無需人工干預的情況下完成 Kaggle 任務
• 總結與反思整個機器學習/人工智慧流程
• 雲端數據及測試調試平台的整合
• 本地 RAG 支援，打造個人化的機器學習/人工智慧編程助手
• 函數庫：生成 AI/ML 函數並保存以供未來使用

:star: 更多大語言模型與服務工具

• Ollama LLama3
• OpenAI GPTs
• Anthropic Claude 3.5 Sonnet

:sparkling_heart: 更佳的使用者體驗

• 命令列應用程式
• 網頁介面
• Discord

:jigsaw: 功能與整合

• 本地檔案系統
• 本地代碼執行器
• Arxiv.org 搜尋
• Papers with Code 搜尋
• 一般關鍵字搜尋
• Hugging Face
• SkyPilot 雲端部署
• Snowflake 數據
• AWS S3 數據
• Databricks 數據目錄
• Wandb 實驗監控
• MLflow 管理
• DBT 數據轉換

參與貢獻

我們歡迎社群的參與與貢獻。我們正在尋求貢獻者協助我們完成以下任務：

• 對代理進行基準測試與評估
• 為代理新增更多功能
• 改善文件說明
• 寫測試用例

如果您有意貢獻，請查看 CONTRIBUTING.md 文件。

支援與社群

• Discord 社群。如有任何問題，請在 Discord 社群中提問。

引用

@misc{zhang2024mleagent,
title = {MLE-Agent：您順暢進行人工智慧工程與研究的智能伴侶},
author = {Huaizheng Zhang*, Yizheng Huang*, Lei Zhang},
year = {2024},
note = {\url{https://github.com/MLSysOps/MLE-agent}},
}

授權條款

請參閱 MIT 授權條款 文件以獲取更多資訊。

MLE-Agent 快速上手指南

MLE-Agent 是一款专为机器学习工程师和研究人员设计的智能配对代理（LLM Agent）。它能自动构建基线模型、参与 Kaggle 竞赛、集成 Arxiv 与 Papers with Code 检索，并提供智能调试与周报生成功能。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (WSL 推荐)
• Python 版本：Python 3.8 及以上
• 包管理工具：推荐使用 pip 或 uv (更快速的 Python 包安装器)
• Git：用于版本控制及克隆源码（如需从源码安装）
• LLM API Key：使用前需配置支持的模型密钥（如 OpenAI, Anthropic, Ollama 等）

国内加速建议： 如果使用 pip 安装遇到网络问题，建议使用国内镜像源（如清华源或阿里源）：

pip install -U mle-agent -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

您可以选择通过 PyPI 直接安装，或从源码安装以获取最新功能。

方式一：通过 PyPI 安装（推荐）

使用 pip：

pip install -U mle-agent

或使用 uv（速度更快）：

uv pip install -U mle-agent

方式二：从源码安装

适合需要修改代码或体验最新开发版的用户。

1. 克隆仓库：

git clone https://github.com/MLSysOps/MLE-agent.git
cd MLE-agent

2. 创建并激活虚拟环境：

uv venv .venv
source .venv/bin/activate      # Linux/macOS
# Windows 用户使用: .venv\Scripts\activate

3. 可编辑模式安装：

pip install -e .

基本使用

安装完成后，按照以下步骤快速启动您的第一个 AI 工程项目。

1. 创建新项目

使用以下命令创建一个新的项目目录：

mle new <project name>

将 <project name> 替换为您想要的项目名称。

2. 进入项目并启动

进入刚创建的项目目录，然后启动 Agent：

cd <project name>
mle start

此时，Agent 将根据您的自然语言需求（例如：“我想基于历史数据预测股票价格”）自动规划任务、编写代码并运行基线模型。

3. 交互式对话（可选）

如果您希望在现有项目中进行交互式开发或咨询，可以使用聊天模式：

mle chat

---

更多高级功能：

• 生成周报：运行 mle report 启动 Web 界面，或 mle report-local 基于本地 Git 记录生成报告。
• Kaggle 竞赛：运行 mle kaggle 让 Agent 独立完成从数据处理到模型提交的全过程。