Plexe：用自然语言构建机器学习模型
通过自然语言描述意图，自动完成数据分析和模型构建的AI系统。
证据显示：仓库未提供权限模型、用户确认机制、数据流透明性、敏感数据处理、依赖安全审计、外部影响控制、回滚机制或来源归属的说明。所有信任相关标准均未得到满足，因此得分为0。
证据显示：README和pyproject.toml在功能描述和依赖声明上保持一致，但未提供故障消息或错误处理文档。因此，自我一致性得分为2，依赖可用性得分为2，故障消息得分为1。
证据显示：README明确了目标受众（开发者、研究人员）和使用场景（表格数据建模），并提供了CLI和Python API的示例。能力边界通过支持模型类型和可选依赖进行了说明。触发精度通过明确的命令和参数得到保证。环境适配通过Docker和配置选项得到支持。因此，各标准得分为2。
证据显示：README提供了清晰的信息架构，安装说明详细，命名稳定，示例和FAQ存在，已知限制部分提及了仅测试OpenAI和Anthropic模型。许可证为Apache-2.0，版本号在pyproject.toml中，但未提供变更日志。维护责任通过贡献指南和Discord链接得到体现。因此，各标准得分为2，许可证得分为3，已知限制和版本变更日志得分为1。
证据显示：输出可用性通过模型包的结构和示例代码得到体现，边际价值通过自动化模型构建和多种框架支持得到体现，成本效益通过API密钥要求和云服务提及得到部分体现。因此，输出可用性和边际价值得分为2，成本效益得分为1。
证据显示：README中的声明部分有示例支持，但缺乏独立的验证来源。事实和推断的区分不够明确。因此，各标准得分为1。
- 未提供权限模型或用户确认机制，可能执行任意代码或访问敏感数据。
- 依赖安全未审计，存在已知漏洞风险。
- 未提供回滚机制，模型构建失败可能无法恢复。
- 来源归属不明确，发布者身份未验证。
这个 Agent 能做什么，适合哪些场景？
Plexe 是一个基于多智能体架构的机器学习模型构建工具，用户只需用自然语言描述预测目标并提供表格数据（如CSV、Parquet），系统即可自动完成从数据探索、模型选择、训练到打包的全流程。它集成了14个专业智能体，覆盖6个阶段的工作流，支持XGBoost、CatBoost、LightGBM、Keras和PyTorch等主流框架。最终产出一个自包含的模型包，包含推理代码、配置和评估报告，且不依赖Plexe本身，便于部署。此外，提供Docker镜像和Streamlit可视化仪表盘，方便实验管理和结果分析。Plexe通过LiteLLM支持多种LLM提供商，并具有YAML配置和集成接口，适合需要快速验证模型想法的数据科学家和ML工程师。
Plexe 通过 python -m plexe.main 命令行或Python API接收训练数据（支持Parquet、CSV、ORC、Avro）和自然语言意图，然后启动多智能体工作流：数据分析智能体识别任务类型，假设生成智能体提出模型思路，模型定义智能体选择具体框架和超参数，评估智能体验证性能，最终生成可部署的模型包。它调用OpenAI或Anthropic的LLM API来驱动智能体，利用LiteLLM集成，支持配置不同的LLM路由。输出的模型包包含训练好的模型构件（pickle）、推理预测代码、JSON模式、配置和评估报告。用户可以定制迭代次数、允许的模型类型，并通过WorkflowIntegration接口连接自定义存储或部署系统。
- 数据科学家在探索新数据集时，想快速评估多种模型，只需用自然语言描述目标，就能获得一个基线和部署包。
- ML工程师需要为业务部门快速生成可部署的模型原型，无需手动编写训练代码，只需提供数据文件。
- 教育场景中，学生或研究人员想直观理解从数据到模型的完整流程，可以用Plexe演示自动建模。
- 使用Docker CI/CD的团队，可以集成Plexe的镜像，在自动化流水线中根据提示自动构建模型。
- 需要对比不同LLM提供商效果的开发者，可以配置Plexe使用OpenAI或Anthropic，测试智能体性能。
- 业务分析师有干净的数据集，希望不编写代码直接获得预测模型，Plexe的CLI或云端服务可降低门槛。
这个 Agent 有哪些优点和局限？
- 自然语言建模，无需手动编写训练代码，大幅降低ML入门门槛。
- 多智能体协作，自动处理数据分析和模型选择，可支持XGBoost、CatBoost、PyTorch等框架。
- 输出自包含模型包，不依赖Plexe，方便部署到任何环境。
- 通过LiteLLM支持多LLM提供商，可灵活切换OpenAI/Anthropic，降低供应商锁定风险。
- 提供Docker镜像和预配置环境，简化依赖管理。
- 内置Streamlit仪表盘，可视化实验过程。
- 需要外部LLM API密钥，且调用LLM会产生费用，运行成本取决于迭代次数。
- 仅支持表格数据，未提及对图像或文本数据的内置支持（但可选vision依赖可能暗示某些扩展）。
- Python版本限制在3.10-3.12，可能妨碍使用更旧或更新的运行时。
- 依赖多个框架，安装体积较大，且默认不包含全部框架，需手动添加extra。
- 当前仅主动测试OpenAI和Anthropic提供商，其他LLM支持可能不稳定。
- 构建模型的过程不透明，用户难以完全控制每个步骤，可能不适合需要精细调参的专业模型。
如何安装或部署这个 Agent？
安装Plexe需要Python 3.10至3.12，并使用pip安装：pip install plexe（核心版本包含XGBoost、Keras、scikit-learn）。可选框架支持：pip install "plexe[catboost]"、pip install "plexe[lightgbm]"、pip install "plexe[pytorch]"，或按任务分组：pip install "plexe[tabular]"（CatBoost+LightGBM）、pip install "plexe[vision]"（PyTorch）。平台扩展：pip install "plexe[pyspark]"、pip install "plexe[aws]"。需要设置API密钥：export OPENAI_API_KEY=<your-key> 和 export ANTHROPIC_API_KEY=<your-key>（根据LiteLLM支持的其他提供商）。
如何使用这个 Agent？
基本用法：在命令行运行 python -m plexe.main --train-dataset-uri data.parquet --intent "predict whether a passenger was transported" --max-iterations 5。Python API：调用 from plexe.main import main，传参 intent、data_refs、max_iterations 和 work_dir。可选参数包括 allowed_model_types（如["xgboost"]）和 enable_final_evaluation。配置可通过YAML文件：创建config.yaml并设置max_search_iterations、allowed_model_types、LLM路由等，然后使用CONFIG_FILE=config.yaml运行。输出在work_dir/model/目录下。Docker方式：构建镜像后运行 docker run --rm -e OPENAI_API_KEY=$OPENAI_API_KEY -e ANTHROPIC_API_KEY=$ANTHROPIC_API_KEY -v $(pwd)/data:/data -v $(pwd)/workdir:/workdir plexe:py3.12 python -m plexe.main ...。可视化：python -m plexe.viz --work-dir ./workdir 启动Streamlit仪表盘。
常见问题
运行Plexe需要哪些API密钥？
Plexe支持哪些数据类型？
可以自定义模型构建过程吗？
WorkflowIntegration接口连接自定义存储和部署系统。