Machine Learning that agents can actually call.
TuiML is an agent-native ML runtime. Install, connect to your AI agent, and start running real ML workflows — classification, regression, clustering, experiments — all from one structured interface.
为什么选择TuiML
代理人可以称之为 --每个算法、数据集和度量都附带了JSON模式。代理读取模式，调用工具，获得结构化结果。没有幻觉参数，没有包装胶。
特工可以发现它 --按任务、数据形状和基准标记的可查询注册表。代理浏览和选择，而不是记住类名。
代理人可以信任它 --确定性、类型化、可重复的输出。每个调用都是一个可记录、可重放的工具调用，您可以在生产中进行审核、差异和信任。
通过3个步骤开始跑步
1.安装 --一个命令，安装 uv 和 tuiml 全球地：
curl -fsSL https://tuiml.ai/install.sh | bash已经有Python了？ pip install tuiml 也工作。
2.连接您的代理 --自动检测克劳德桌面、光标、克劳德代码等：
tuiml setup3.问你的经纪人 --在任何连接的客户端中：
“在我的销售数据上随机训练一个森林，并报告准确性。”
您的代理发现算法，从模式中设置参数，训练、评估并返回结构化结果。没有胶水代码。
包含什么
TuiML附带了13个算法家族，其中许多最初来自Weka，完全用Python重写，并为热路径提供了C++加速。
| 类别 | 示例 |
|---|---|
| 树 | RandomForestClassifier、C45Tree分类器、HoeffdingTreeClassifier、M5ModelTreeRegressor |
| 贝叶斯 | 朴素贝叶斯分类器、贝叶斯网络分类器、高斯过程回归器 |
| 邻居 | K近邻分类器，K目标分类器 |
| 线性 | 逻辑回归、线性回归、SGDClassifier |
| 支持向量机 | SVC、SVR |
| 神经 | 多层感知器分类器，投票感知器分类器 |
| 规则 | 零规则分类器、单规则分类器、RIPPERClassifier、PARTClassier |
| 合奏 | BaggingClassifier、AdaBoostClassifier、堆叠分类器、投票分类器 |
| 梯度提升 | XGBoostClassifier，CatBoostClassifiers，LightGBM分类器 |
| 聚类 | KMeansCluster、DBSCANClusterer、Agglomerate Clusterer |
| 协会 | Apriori协会、FPGrowth协会 |
| 异常检测 | 隔离林检测器、局部异常因素检测器 |
| 时间序列 | ARIMA，指数平滑，预言家 |
加上预处理（缩放、编码、插补、SMOTE、文本矢量化）、特征工程（选择、提取、生成）、评估（度量、交叉验证、调优、统计测试）和15+个内置数据集。
MCP工具
MCP服务器公开了200多个工具，代理可以直接调用。关键工作流工具包括 tuiml_train, tuiml_predict, tuiml_evaluate, tuiml_experiment, tuiml_tune, tuiml_plot, tuiml_list, tuiml_describe，以及 tuiml_search任何已注册的组件 @classifier, @regressor，或 @transformer 可通过这些工具自动发现。
对于手动设置，请将此添加到客户端的MCP配置中：
{
"mcpServers": {
"tuiml": { "command": "tuiml-mcp" }
}
}组件注册表
从本地注册表浏览所有已注册的算法、转换器和指标：
from tuiml.hub import registry
classifiers = registry.list("classifier")
regressors = registry.list("regressor")构建自定义组件
注册您自己的算法，它们将通过Python API、CLI和MCP服务器立即可用。
from tuiml.base.algorithms import Classifier, classifier
@classifier(tags=["custom"], version="1.0.0")
class MyClassifier(Classifier):
def __init__(self, k=5):
super().__init__()
self.k = k
def fit(self, X, y):
self.classes_ = np.unique(y)
self._is_fitted = True
return self
def predict(self, X):
self._check_is_fitted()
return predictions文档
完整文档可在 tuiml.ai/文档，包括入门指南、API参考资料和教程。
许可证
BSD 3条款许可证。看 许可证 了解详情。
引用
@software{tuiml2026,
title={TuiML: Machine Learning that agents can actually call},
author={Verma, Nilesh and Bifet, Albert and Pfahringer, Bernhard},
year={2026},
url={https://tuiml.ai}
}