MLE-Agent

面向机器学习工程与研究的命令行助手,可搭建基线、检索论文并协助完成本地开发流程。

Star 数
★ 1.6k
最近更新
4 个月前
License
MIT
主语言
Python

30 秒速览

运行形态
命令行工具网页应用
可在哪里用
兼容但需适配OpenAI API · Claude API(部分支持)
费用
软件免费,模型调用费用自付
上手难度
低 · 几分钟可跑通
开始前需要
pip 或 uv项目支持的 LLM 提供方Shell / 命令行网络访问本地文件系统
典型场景
机器学习工程师需要把一段模糊需求,例如基于历史数据预测股价,快速转化为可在本机测试的 ML 基线时。
不适合
  • 希望用图形界面而非终端完成 ML 工作流的用户
  • 需要 Hugging Face、S3、MLflow、W&B 等集成开箱即用的团队
维护状态
近半年有提交最近提交 2026-07-10最新版本 0.4.2(2024-10-12)

这个 Agent 能做什么,适合哪些场景?

MLE-Agent 是面向机器学习工程师和研究人员的配对式 LLM Agent。它通过 mle 命令行创建和启动项目,并提供终端交互聊天。项目描述其能力包括自动构建 ML/AI 基线、在本地机器或云端执行与调试代码,以及使用 Arxiv、Papers with Code 和关键词搜索获取参考方法。它还提供 Kaggle 工作流、周报生成和本地 RAG 支持;README 同时列出 OpenAI GPTs、Anthropic Claude 3.5 Sonnet 与 Ollama Llama3 支持。适合希望在本地项目目录中把需求梳理、研究检索、代码执行和结果总结串联起来的 ML 工作流,但具体模型凭据与配置方式未在给定材料中说明。

使用 mle new <project name> 创建项目目录后,可在目录中运行 mle start 开始 ML/AI 项目工作流,或运行 mle chat 进行终端交互。该项目声称会根据需求构建 ML/AI 基线,检索 Arxiv、Papers with Code 和通用关键词搜索结果以参考方法,并在本地机器或云端执行、调试和修复代码。mle kaggle 用于启动 Kaggle 任务;mle kaggle --auto 可接收数据集路径、描述、提交文件、提交样例和竞赛 ID,以执行从数据准备到模型训练和调试的自动化流程。mle report 在本地 http://localhost:3000/ 提供从 GitHub 生成报告的网页入口,mle report-local --email=<git email> --start-date=YYYY-MM-DD --end-date=YYYY-MM-DD <path_to_git_repo> 则从本地 Git 仓库生成报告。

  1. 机器学习工程师需要把一段模糊需求,例如基于历史数据预测股价,快速转化为可在本机测试的 ML 基线时。
  2. 参赛者已加入 Kaggle 竞赛,并准备好数据集与提交文件,希望通过 mle kaggle --auto 推进数据准备、训练和调试时。
  3. 研究人员在规划模型方案时,需要结合 Arxiv、Papers with Code 与关键词搜索查找方法参考时。
  4. 开发者希望在项目目录内使用 mle chat,以交互方式改进已有 ML 项目时。
  5. 需要根据 GitHub 工作或本地 Git 仓库提交整理开发进展、沟通记录、参考资料和待办事项的团队成员时。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • pip install -U mle-agent
  • uv pip install -U mle-agent
  • pip install -e

如何安装或部署这个 Agent?

通过 PyPI 安装:

pip install -U mle-agent

或使用 uv:

uv pip install -U mle-agent

从源码安装:

git clone https://github.com/MLSysOps/MLE-agent.git
cd MLE-agent
uv venv .venv
source .venv/bin/activate
pip install -e .

给定材料列出了 OpenAI、Anthropic 和 Ollama 等模型支持,但没有说明所需凭据、环境变量或模型配置步骤。

如何使用这个 Agent?

创建并启动项目:

mle new <project name>
cd <project name>
mle start

在同一项目目录中启动终端聊天:

mle chat

启动 Kaggle 工作流:

mle kaggle

生成本地 Git 周报:

mle report-local --email=<git email> --start-date=YYYY-MM-DD --end-date=YYYY-MM-DD <path_to_git_repo>

这个 Agent 有哪些优点和局限?

优点
  • 将 ML 基线构建、代码执行与调试、研究检索和项目建议组合在同一套项目级 CLI 工作流中。
  • 明确集成 Arxiv、Papers with Code 和通用关键词搜索,适合需要将研究参考带入方案规划的场景。
  • 提供 mle kaggle --auto 参数化流程,可接收数据集、竞赛描述和提交文件等实际竞赛输入。
  • 同时提供终端聊天、GitHub 报告网页入口和本地 Git 报告命令,不只覆盖代码生成环节。
  • README 列出 OpenAI GPTs、Anthropic Claude 3.5 Sonnet 与 Ollama Llama3,具有多模型接入方向。
局限
  • 给定材料没有说明模型供应商凭据、环境变量、配置文件或默认模型,因此首次可用配置仍需自行确认。
  • Kaggle 自动模式要求用户已加入竞赛,并自行准备数据集、提交文件和提交样例。
  • 代码执行涉及本地文件系统和本地机器或云端执行,采用前需要评估代码与数据的执行边界。
  • 云端数据、测试调试平台、Hugging Face、AWS S3、MLflow、Wandb 等多项集成在路线图中仍标为未完成。
  • README 宣称可进行端到端竞赛任务,但给定材料未提供成功率、评测结果或资源消耗数据。

这个 Agent 与同类方案有什么区别?

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
MLE-Agent 当前 39 · 缺口较多 命令行工具免费 + 模型费 ★ 1.6k 4 个月前 Python —
AgentSwarms 数据与智能体平台 79 · 表现良好 网页应用免费 + 模型费 ★ 302 今天 TypeScript OpenAI API
optim-agent 68 · 存在缺口 代码库 / SDK免费 + 模型费 ★ 796 3 个月前 Python Codex · Claude Code
Gyoshu 科研自动化实验室 44 · 缺口较多 Agent 插件 / 技能免费 + 模型费 ★ 243 9 个月前 TypeScript Claude Code

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
39/ 100 五分制 2.0 / 5
信任安全 7/29
可靠稳定 5/14
适用触发 8/18
规范维护 9/18
有效结果 7/13
证据核验 3/8
查看各维度的扣分理由
信任安全7 / 29 · 1.2/5

CLI、项目文件、报告和数据处理功能可访问本地文件,服务端报告接口也接受可选 token;证据没有展示权限隔离、密钥保护或完整数据流说明,因此最小权限、敏感数据处理和透明度仅部分支持。交互式模式及 Kaggle 加入要求提供有限的人类控制,但自动模式可自行完成任务,未见副作用确认、恢复或回滚说明;Arxiv 和 Papers with Code 有来源名称,其他生成内容的引用依据不清。

可靠稳定5 / 14 · 1.8/5

项目提供版本化依赖和部分模型测试,支持基本一致性及依赖可用性判断;但 README 的功能与代码片段并未逐项对应,依赖范围较宽,未见全面降级策略。CLI 对部分异常输出类型、位置和消息,其他路径会直接传播异常,故错误处理仅属部分支持。

适用触发8 / 18 · 2.2/5

README 明确面向机器学习工程师和研究人员,并列出基线、报告、Kaggle、聊天等场景。它声称可自动完成端到端任务,但没有清楚界定自治范围、需要人工审核的任务或能力边界;安装说明覆盖 PyPI、源码和 Linux/macOS 虚拟环境,环境约束仍不完整。

规范维护9 / 18 · 2.5/5

README 按安装、用法、场景、路线图、贡献和许可组织,并提供命令示例及里程碑。安装步骤存在重复 pip 提示,Python 版本及若干平台细节有限。pyproject.toml 标为 Apache-2.0,而 LICENSE 和 README 标为 MIT,许可信息冲突;维护者名单、社区和贡献路径可见,但没有明确维护责任或更新承诺。

有效结果7 / 13 · 2.7/5

命令示例和报告/Kaggle工作流说明让预期输出可操作;代码检索、研究资料搜索和自动调试可能为目标用户节省时间。README 的能力声明较广,而依赖众多且配置成本较高;来源未量化收益、成本或所需人工审阅量,因此价值与成本判断有限。

证据核验3 / 8 · 1.9/5

版本、依赖、命令和部分测试可追踪若干实现主张,但 README 的大量功能陈述缺少所给源文件逐项佐证。README、项目元数据和许可证文件之间出现 MIT/Apache-2.0 冲突;文档也未始终区分已实现能力、计划事项和未经验证的效果,故可核验性仅部分成立。

风险与缓解建议
  • 源码中未见:外部影响披露先弄清它会写入、发送或修改哪些外部系统,用测试账号或测试仓库验证后再接入正式环境。
  • 源码中未见:回滚或恢复路径运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
  • 项目元数据声明 Apache-2.0,但 README 和 LICENSE 声明 MIT;在使用或再分发前应核实正确许可。
  • 该工具会处理本地项目文件并连接模型或外部服务;提供的材料没有充分说明数据发送范围或密钥保护方式。
  • README 宣称的自动化能力较广,所给代码只是样本,不能据此确认所有工作流或效果。
证据充分度:低 评估于 2026年11月8日 审查版本 a29287e81524
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/mle-agent.svg?lang=zh)](https://followagents.com/zh/agents/mle-agent)
<a href="https://followagents.com/zh/agents/mle-agent"><img src="https://followagents.com/badge/mle-agent.svg?lang=zh" alt="FARS 评测"></a>

最近版本

来自该项目 GitHub Releases 的最新发布记录,说明为上游原文摘录,未经本站改写或测试。

  1. 0.4.2
    发布说明摘录
    What's Changed * [MRG] build version v0.4.0 by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/208 * [MRG] update readme for 0.4.0 by @HuaizhengZhang in https://github.com/MLSysOps/MLE-agent/pull/209 * [MRG] deepseek support by @umnooob in https://github.com/MLSysOps/MLE-agent/pull/212 * [MRG] add kaggle requirement summary by @leeeizhang in https://github.com/MLSysOps/MLE-agent/pull/213 * [MRG] add langfuse by @leeeizhang in https://github.com/MLSysOps/MLE-agent/pull/214 …
    在 GitHub 查看 ↗
  2. 0.4.0
    发布说明摘录
    What's Changed * [MRG] 👷 build: 0.3.1 by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/124 * [MRG] add star history by @HuaizhengZhang in https://github.com/MLSysOps/MLE-agent/pull/125 * [MRG] Improve advisor agent with markdown output by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/132 * [MRG] Github Integration - Information collector by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/134 * [MRG] Upgrade setuptools by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/135 …
    在 GitHub 查看 ↗
  3. 0.3.1
    发布说明摘录
    What's Changed * [MRG] build version v0.3.0 by @huangyz0918 in https://github.com/MLSysOps/MLE-agent/pull/120 * [MRG] add previous step&task resume by @leeeizhang in https://github.com/MLSysOps/MLE-agent/pull/123 Full Changelog: https://github.com/MLSysOps/MLE-agent/compare/0.3.0...0.3.1
    在 GitHub 查看 ↗

常见问题

需要哪些模型供应商凭据?
材料列出 OpenAI GPTs、Anthropic Claude 3.5 Sonnet 和 Ollama Llama3 支持,也在仓库描述中提到 Gemini;但未说明密钥、环境变量或具体配置方法。
它会访问或执行本地内容吗?
会。材料明确列出本地文件系统集成和本地代码执行,并说明可在本地机器或云端执行、调试和修复代码。
能否完全自动参加 Kaggle?
README 提供 mle kaggle --auto,但要求你已加入竞赛,并准备好数据集、描述、提交文件、提交样例和竞赛 ID。
报告功能生成什么内容?
它用于汇总周报,包括开发进展、沟通记录、参考资料和待办事项;可从 GitHub 的本地网页入口或本地 Git 仓库生成。
MLE-Agent 免费吗?
软件本身免费,但 MLE-Agent 要调用 AI 模型,模型的调用费用由你向模型服务商支付(也可以接本地模型)。
MLE-Agent 开源吗?
开源。源码在 GitHub(MLSysOps/MLE-agent),许可证是 MIT。
MLE-Agent 安全吗?
FollowAgents 的 FARS 评审(2026年11月8日)给 MLE-Agent 的“信任与安全”打了 7/29 分。评审没有在源码和文档里找到这些安全措施:外部影响披露、回滚或恢复路径。接入真实账号或数据前:先弄清它会写入、发送或修改哪些外部系统,用测试账号或测试仓库验证后再接入正式环境。
MLE-Agent 还在维护吗?
更新变慢了:GitHub 上最近一次提交是 2026-07-10,在最近半年内,但不在最近 30 天内。最新版本是 0.4.2(2024-10-12)。
MLE-Agent 是谁开发的?
MLE-Agent 由 GitHub 账号 MLSysOps 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

相关核心概念