Eden Flywheel

伊甸园飞轮

Claude Code的独立MCP服务器，可捕获您的编码会话作为本地模型的微调数据。

闭环：使用AI→ 捕捉→ 对…微调→ 部署→ 重复。

 ](https://nodejs.org)  

它做什么

与AI代理的每次对话都是一个潜在的训练示例。eden飞轮捕获这些交互，对其质量进行评分，消除重复，将其格式化为SFT训练数据，并触发微调运行——所有这些都是通过模型上下文协议完成的。

You use Claude Code daily
    │
    ▼
flywheel captures the session (manual or auto)
    │
    ▼
Quality scoring: tool usage, error rate, turn depth
    │
    ▼
Deduplication via SHA-256 fingerprinting
    │
    ▼
Export as SFT training data (ChatML / Alpaca / ShareGPT / Raw)
    │                                      │
    ▼                                      ▼
Generate synthetic data             10% held-out eval split
(Qwen 3.6 Plus via OpenRouter)
    │
    ▼
Fine-tune via local MLX LoRA
    │
    ▼
Evaluate on held-out eval set
    │
    ▼
Promote & deploy to Ollama
    │
    ▼
You use the BETTER model tomorrow

安装

添加到克劳德代码

添加到MCP配置(~/.claude/mcp.json 或同等）：

{
  "mcpServers": {
    "eden-flywheel": {
      "command": "npx",
      "args": ["-y", "eden-flywheel"],
      "env": {
        "FLYWHEEL_DB": "~/.config/eden-flywheel/flywheel.db",
        "OPENROUTER_API_KEY": "your-key-here"
      }
    }
  }
}

或在本地安装：

git clone https://github.com/alex-rentel/eden-flywheel.git
cd eden-flywheel
npm install && npm run build

然后将MCP指向已构建的入口：

{
  "mcpServers": {
    "eden-flywheel": {
      "command": "node",
      "args": ["/path/to/eden-flywheel/dist/index.js"]
    }
  }
}

用法：全循环

1.捕获会话

flywheel_autocapture { enabled: true }   // auto-capture all messages
flywheel_record_start {}                 // or manual recording

2.导出培训数据

flywheel_export { evalSplit: true, outputPath: "/tmp/train.jsonl" }
// Writes train.jsonl + train.eval.jsonl (10% held-out)

3.生成合成数据（可选）

flywheel_generate { count: 50, difficulty: "medium" }
// Uses Qwen 3.6 Plus (free on OpenRouter) to create more training examples

4.训练LoRA适配器

flywheel_train {
  baseModel: "mlx-community/Qwen2.5-Coder-3B-Instruct-4bit",
  trainData: "/tmp/train.jsonl"
}

5.评估

flywheel_eval {
  baseModel: "mlx-community/Qwen2.5-Coder-3B-Instruct-4bit",
  adapterPath: "~/.config/eden-flywheel/models/adapters/lora-...",
  testData: "/tmp/train.eval.jsonl"
}

6.推广和部署

flywheel_promote { adapterPath: "..." }
// GGUF adapters auto-deploy to Ollama
// MLX adapters use mlx-lm directly

MCP工具（14）

会话录制

自动捕获（克劳德代码）

出口与质量

合成数据

培训管道

MCP资源（4）

支持的培训后端

支持的部署目标

配置

配置文件位于 ~/.config/eden-flywheel/config.json:

{
  "logLevel": "info",
  "dbPath": "~/.config/eden-flywheel/flywheel.db",
  "autoCapture": true,
  "defaultExportFormat": "chatml"
}

CLI标志

eden-flywheel --verbose            # Debug logging
eden-flywheel --quiet              # Error-only logging
eden-flywheel --log-level warn     # Specific log level
eden-flywheel --db-path /tmp/f.db  # Custom database path

环境变量

质量评分

根据以下因素，会话得分为0-1：

导出格式

• 聊天ML （默认）：标准SFT格式，系统提示+工具调用为XML
• 羊驼：用于简单微调的指令/输入/输出
• 分享GPT：多回合人工/gpt对话格式
• 原始：保留所有角色，包括工具消息

相关项目

• 伊甸园模型 --HPC训练管道（Slurm确认、数据预处理）
• mlx纳米帽 --本地MLX微调
• mlx涡扇发动机 --已部署模型的KV缓存压缩

许可证

Apache 2.0