Auto Ml

______________________________________________________________________

  ](https://nodejs.org/) 

AutoML是一个自动化的数据科学家平台，可以将数据集和域文档转换为部署的、受监控的ML服务。它将LLM上下文（检索增强生成、RAG和模型上下文协议、MCP）与自动训练（超参数优化、HPO、多模型搜索和监督微调、SFT）融合在一起，通过透明、可编辑的管道交付领域调整的模型。

它做什么

AutoML专为专家工作流程而设计，其中最困难的部分不是训练模型，而是使模型对特定领域正确，并随着时间的推移保持正确。该平台接收结构化数据和业务上下文，构建领域感知功能，运行自动模型选择和调优，并交付具有评估和监控功能的生产就绪端点。

工程亮点

• LLM使用MCP指导编排，以生成结构化、可审计的管道决策，而不是不透明的文本输出。
• 基于上传的领域文档的RAG驱动的特征工程和查询解释。
• 混合训练栈：核心算法的可靠模板加上LLM生成的预处理，使用户可编辑。
• 用于模型选择的自动化HPO和用于领域调优的小型LLM的SFT工作流。
• 具有资源上限、工件捕获和可重复运行的容器化执行运行时。
• 内置评估工具，用于NL到SQL和RAG质量检查，以及E2E UI基准测试。

工作流程

1. 将数据集和域文档引入项目工作区。
2. 使用SQL/NL查询和自动分析来探索数据。
3. 生成域感知功能并运行自动培训+HPO。
4. 部署受监控的端点并随时间跟踪模型质量。

技术栈

带有React SPA前端、Express API、Postgres-based元数据、Dockerized执行运行时和基于Playwright-based基准测试的TypeScript monorestore。

快速开始

npm run install:all
npm run dev

这 npm run dev flow启动本地Postgres容器，应用迁移，并启动前端+后端。

仓库的规划

backend/   Express + TypeScript API
frontend/  Vite + React UI
testing/   Playwright benchmark + eval runner

文档

• ARCHITECTURE.md --系统拓扑和数据流
• PROGRESS.md --已验证的功能状态和已知差距
• DECISIONS.md --架构决策记录
• docs/api-contracts.md --请求/响应合同
• docs/design-system.md --UI指南

许可证

GPL-3.0——见 LICENSE.