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
- FA 评分
- 39/100 · 缺口较多
30 秒速览
- 运行形态
- 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
- 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。
- 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。
- 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。 - 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。
- 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。 - 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-agentuv pip install -U mle-agentpip 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?
- 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。
- 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?
查看各维度的扣分理由
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。
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。
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。
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。
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。
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。
- 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。
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。
-
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 ↗ -
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 ↗ -
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?
它会访问或执行本地内容吗?
能否完全自动参加 Kaggle?
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?
MLE-Agent 免费吗?
MLE-Agent 开源吗?
MLE-Agent 安全吗?
MLE-Agent 还在维护吗?
MLE-Agent 是谁开发的?
谢谢反馈,我们会据此改进页面。