PyOD 3：智能体异常检测库
面向 AI 智能体的全方位异常检测库，支持表格、时序、图、文本、图像和音频数据，提供 60+ 检测器与 ADEngine 编排。
证据显示仓库包含安全策略（SECURITY.md）和CodeQL工作流，但未发现权限最小化、用户确认、数据流透明、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具体实现。因此所有信任标准得分为0。
自一致性：README、pyproject.toml和测试配置在版本号、依赖和功能描述上基本一致，但存在一些不一致（如README声称61个检测器，但pyproject描述为61，而代码中可能不同）。依赖可用性：requirements.txt列出了核心依赖，但未提供版本锁定或完整性校验。失败消息：测试配置和文档中未明确说明错误处理或用户友好的失败消息。
受众与场景：README详细描述了多种使用场景（经典API、ADEngine、Agentic），并提供了针对不同代理栈的安装说明。能力边界：文档列出了支持的模态和检测器数量，但未明确说明每个检测器的适用条件或限制。触发精度：提供了清晰的API和命令行入口，但未详细说明触发条件。环境适配：支持多种Python版本和操作系统，但未说明特定环境下的限制。
信息架构：README结构清晰，包含目录、API参考、基准测试等。安装说明：提供了详细的安装步骤和多种安装方式。命名稳定性：API命名一致，但未明确说明命名约定。示例和FAQ：提供了大量示例和文档链接，但未提供FAQ。已知限制：文档中提到了macOS上的torch性能问题，但未全面列出所有限制。许可证：BSD-2-Clause许可证明确。版本变更日志：提供了CHANGES.txt链接，但未在仓库中直接看到。维护责任：作者信息明确，但未说明维护责任分工。
输出可用性：提供了清晰的API和示例，但未说明输出格式的标准化。边际价值：作为广泛使用的库，提供了显著的边际价值。成本效益：文档未提供性能或资源消耗的详细分析。
声明可追溯性：README中的声明（如下载量、基准测试）有外部链接支持，但未提供具体数据。跨来源佐证：引用了多个外部基准和出版物，但未提供独立验证。事实与推断分离：文档区分了事实（如算法列表）和推断（如性能声明），但未明确标注。
- 未发现权限最小化、用户确认、数据流透明等安全机制，作为Agent产品使用时需谨慎。
- 依赖未锁定版本，存在供应链风险。
- 文档中关于检测器数量和性能的声明缺乏具体数据支持。
这个 Agent 能做什么，适合哪些场景？
PyOD 是最全面、最广泛使用的 Python 异常检测库，自 2017 年创立以来下载量超过 4600 万次。PyOD 3 引入了 ADEngine（生命周期编排核心）和 od-expert 技能，支持智能体通过自然语言驱动异常检测调查。库内包含 61 个检测器，覆盖表格、时间序列、图、文本、图像和音频数据，并基于 ADBench、TSB-AD、BOND、NLP-ADBench 等基准进行性能路由。经典 fit/predict API 保持向后兼容，同时提供 MCP 服务器和 CLI 工具以集成智能体工作流。
PyOD 3 提供三层使用方式：经典 API（手动选择检测器）、ADEngine（自动选择、比较和评估检测器）、以及智能体调查（通过自然语言驱动）。该库包含 61 个检测器，覆盖表格、时间序列、图、文本、图像和音频数据，并提供统一 API。ADEngine 是生命周期编排核心，支持从原始数据到异常解释和后续指导的全流程。od-expert 技能集成到 Claude Code 和 Codex，可将自然语言请求转换为 ADEngine 工作流。MCP 服务器（python -m pyod.mcp_server）公开十个无状态工具，涵盖知识查询（list_detectors、explain_detector、compare_detectors、get_benchmarks）、规划（profile_data、plan_detection、build_detector）和检测（run_detection、analyze_results、explain_findings）。除经典 API 外，还提供 pyod CLI 命令（pyod info、pyod install skill、pyod mcp serve）用于安装和诊断。
- 数据科学家使用经典 API 快速检测表格数据中的异常值，只需几行代码。
- 机器学习工程师利用 ADEngine 自动选择最佳检测器，并基于 ADBench 等基准比较性能。
- DevOps 工程师通过 CLI 或 MCP 将异常检测集成到监控管道中。
- AI 智能体（如 Claude Code 或 Codex）使用 od-expert 技能进行故障排查和数据质量检查。
- 研究人员利用 PyOD 的 61 个检测器复现基准实验。
- 业务分析师使用 MCP 工具分析业务数据中的异常模式。
这个 Agent 有哪些优点和局限？
- 多模态支持：覆盖表格、时序、图、文本、图像和音频，单一 API。
- 智能体就绪：od-expert 技能和 MCP 服务器支持自然语言驱动的调查。
- 广泛可用：4600 万+下载，基准可复现，企业部署案例（如沃尔玛、Databricks）。
- 某些高级功能（如状态化 MCP 工具）被推迟，需要后续版本。
- 安装和激活路径复杂，依赖多种智能体运行时。
- 图检测通常为转导式，不支持新样本的外推预测。
如何安装或部署这个 Agent？
通过 pip 安装核心库：pip install pyod。根据所选智能体堆栈，选择激活路径：1) Claude Code 或 Codex：运行 pyod install skill（用户级）或 pyod install skill --project（项目级）；2) MCP 兼容系统：安装 pyod[mcp] 并运行 pyod mcp serve；3) 纯 Python 路径：无需额外步骤。
如何使用这个 Agent？
以孤立森林为例：
from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_
y_test_scores = clf.decision_function(X_test)对于智能体路径，可运行 pyod info 查看版本和激活状态。