MLE-Agent

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。

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？

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。

FollowAgents 如何评估这个 Agent？

常见问题