ruflo 中的 ML 模型開發(fā)者 Agent解讀 contenteditable="false">【免費(fèi)下載鏈接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated項(xiàng)目地址: https://gitcode.com/GitHub_Trending/cl/ruflorufloAgentic-Flow的v3/claude-flow/cli/.claude/agents/目錄下存放著整套可聲明的子 Agent 定義其中data/ml/data-ml-model.md是一份專門用于機(jī)器學(xué)習(xí)模型開發(fā)、訓(xùn)練與部署的 Agent 規(guī)格文檔。本文以該文檔為骨架逐段拆解其 YAML frontmatter 與系統(tǒng)提示詞設(shè)計(jì)并結(jié)合倉(cāng)庫(kù)中memory-bridge.ts、memory-initializer.ts與claude-flow/neural的源碼說(shuō)明模式檢索、Flash Attention 等能力在底層是如何被支撐的。讀完本文你將掌握如何閱讀與自定義 ruflo 的 Agent 定義文件并理解一套由配置驅(qū)動(dòng)、帶生命周期鉤子、可接入記憶與學(xué)習(xí)系統(tǒng)的 ML 工程子 Agent 的完整結(jié)構(gòu)。文檔定位一份 Agent 規(guī)格文件而非獨(dú)立教程data/ml/data-ml-model.md完整路徑 v3/claude-flow/cli/.claude/agents/data/ml/data-ml-model.md是 ruflo 中名為ml-developer的子 Agent 定義。它采用YAML frontmatter Markdown 提示詞的雙段結(jié)構(gòu)frontmatter 聲明該 Agent 的身份、觸發(fā)器、權(quán)限、約束與鉤子Markdown 正文則是注入給 Agent 的角色提示詞描述其職責(zé)、工作流、代碼模式與最佳實(shí)踐。同一目錄下還存在它的迭代版本 data/data-ml-model.mdv2.0.0-alpha新增自學(xué)習(xí)能力以及同類的模板生成 Agent templates/base-template-generator.md它們共用同一套 frontmatter 結(jié)構(gòu)——理解本文件即可舉一反三地讀懂整個(gè) agents 目錄的配置體系。身份聲明name / description / version / metadatafrontmatter 前段定義了 Agent 的基本身份與元信息name: ml-developer description: Specialized agent for machine learning model development, training, and deployment color: purple type: data version: 1.0.0 created: 2025-07-25 author: Claude Code metadata: specialization: ML model creation, data preprocessing, model evaluation, deployment complexity: complex autonomous: false # Requires approval for model deployment字段含義nameAgent 標(biāo)識(shí)符供調(diào)度器與其他 Agent 引用type: data聲明該 Agent 屬于 data 域與integration.domains中的data、ml、ai對(duì)應(yīng)用于域內(nèi)路由metadata.autonomous: false非自主模式——模型部署等關(guān)鍵動(dòng)作必須經(jīng)過(guò)人工審批見后文behavior.confirmation_requiredmetadata.complexity: complex提示調(diào)度器該任務(wù)屬于復(fù)雜任務(wù)需要完整工具鏈與較長(zhǎng)執(zhí)行時(shí)間。觸發(fā)機(jī)制triggers 的四類匹配規(guī)則Agent 何時(shí)被選中由triggers決定。文檔給出了四類匹配維度triggers: keywords: - machine learning - ml model - train model - predict - classification - regression - neural network file_patterns: - **/*.ipynb - **/model.py - **/train.py - **/*.pkl - **/*.h5 task_patterns: - create * model - train * classifier - build ml pipeline domains: - data - ml - aikeywords用戶消息中命中這些詞即觸發(fā)候選file_patterns工作區(qū)中出現(xiàn) Notebook、訓(xùn)練腳本或模型產(chǎn)物.pkl/.h5時(shí)觸發(fā)task_patterns帶通配符的任務(wù)句式如 create * model 可匹配 create a classification modeldomains聲明所屬業(yè)務(wù)域供域內(nèi)路由聚合。這種關(guān)鍵詞 文件特征 任務(wù)句式 域的多維匹配保證了ml-developer只在真正涉及模型開發(fā)時(shí)才被喚醒而不會(huì)攔截普通代碼任務(wù)。能力邊界capabilities 與 constraints 雙保險(xiǎn)工具權(quán)限capabilities: allowed_tools: - Read - Write - Edit - MultiEdit - Bash - NotebookRead - NotebookEdit restricted_tools: - Task # Focus on implementation - WebSearch # Use local data max_file_operations: 100 max_execution_time: 1800 # 30 minutes for training memory_access: both設(shè)計(jì)意圖清晰允許直接讀寫與執(zhí)行命令Bash、支持 Jupyter Notebook 讀寫但禁用Task不允許把任務(wù)再分包給其他 Agent聚焦自身實(shí)現(xiàn)與WebSearch強(qiáng)調(diào)使用本地?cái)?shù)據(jù)而非聯(lián)網(wǎng)檢索。max_execution_time: 1800秒30 分鐘為訓(xùn)練任務(wù)預(yù)留了充分時(shí)長(zhǎng)。路徑與文件約束constraints: allowed_paths: - data/** - models/** - notebooks/** - src/ml/** - experiments/** - *.ipynb forbidden_paths: - .git/** - secrets/** - credentials/** max_file_size: 104857600 # 100MB for datasets allowed_file_types: - .py - .ipynb - .csv - .json - .pkl - .h5 - .jobliballowed_paths將 Agent 的活動(dòng)范圍圈定在數(shù)據(jù)、模型、Notebook、src/ml與實(shí)驗(yàn)?zāi)夸泝?nèi)forbidden_paths硬性排除.git與密鑰目錄避免模型訓(xùn)練過(guò)程污染版本庫(kù)或泄露憑據(jù)max_file_size: 104857600100MB面向數(shù)據(jù)集讀取的文件大小上限allowed_file_types白名單覆蓋 Python 源碼、Notebook、數(shù)據(jù)集csv/json與序列化模型pkl/h5/joblib。這套雙保險(xiǎn)明確了Agent 能碰什么、不能碰什么是子 Agent 沙箱化運(yùn)行的關(guān)鍵。行為與協(xié)作策略behavior / communication / integration / optimizationbehavior: error_handling: adaptive confirmation_required: - model deployment - large-scale training - data deletion auto_rollback: true logging_level: verbose communication: style: technical update_frequency: batch include_code_snippets: true emoji_usage: minimal integration: can_spawn: [] can_delegate_to: - data-etl - analyze-performance requires_approval_from: - human # For production models shares_context_with: - data-analytics - data-visualization optimization: parallel_operations: true batch_size: 32 # For batch processing cache_results: true memory_limit: 2GBbehavior錯(cuò)誤處理自適應(yīng)三類高風(fēng)險(xiǎn)動(dòng)作部署、大規(guī)模訓(xùn)練、數(shù)據(jù)刪除必須人工確認(rèn)失敗自動(dòng)回滾日志級(jí)別verbosecommunication技術(shù)風(fēng)格、批量匯報(bào)、盡量附帶代碼片段integration自身不派生子 Agentcan_spawn: []但可把數(shù)據(jù)清洗委托給data-etl、把性能分析委托給analyze-performance生產(chǎn)模型必須經(jīng)過(guò) human 審批與data-analytics、data-visualization共享上下文optimization開啟并行操作、批量大小為 32、緩存結(jié)果、內(nèi)存上限 2GB。這些字段共同刻畫了一個(gè)專注實(shí)現(xiàn)、邊界清晰、可協(xié)作、可審計(jì)的 ML 開發(fā) Agent 畫像。生命周期鉤子pre_execution / post_execution / on_error文檔的hooks段定義了三個(gè)執(zhí)行階段腳本這是 Agent 與宿主運(yùn)行時(shí)Claude Code / Codex 等之間的關(guān)鍵接口pre_execution初始化時(shí)掃描數(shù)據(jù)集find . -name *.csv -o -name *.parquet并探測(cè) Python ML 庫(kù)是否可用import sklearn, pandas, numpypost_execution匯總模型產(chǎn)物.pkl/.h5/.joblib并提示做版本化與文檔化on_error輸出錯(cuò)誤定位建議例如檢查數(shù)據(jù)質(zhì)量與特征兼容性考慮更簡(jiǎn)單的模型或更多預(yù)處理。倉(cāng)庫(kù)中 v3/claude-flow/cli/src/memory/memory-bridge.ts 正是這套鉤子系統(tǒng)與記憶/推理后端之間的橋梁。例如bridgeSearchPatterns同文件 L2091-L2173會(huì)按優(yōu)先級(jí)嘗試三種檢索實(shí)現(xiàn)優(yōu)先調(diào)用 ReasoningBank 的searchPatterns()其次適配findSimilar()向量語(yǔ)義檢索 getAll()子串兜底最后回退到 bridge 的 SQL/HNSW 檢索——這種多控制器降級(jí)模式保證了鉤子腳本中memory search-patterns之類調(diào)用即使在后端缺失時(shí)也不會(huì)中斷 Agent 執(zhí)行。同理bridgeStorePattern會(huì)把訓(xùn)練模式以 embedding 形式寫入存儲(chǔ)并追加到 HNSW 索引addToHNSWIndex對(duì)應(yīng)鉤子腳本中記錄任務(wù)開始/結(jié)束模式的語(yǔ)義。職責(zé)與工作流五階段 ML 管線文檔正文明確了五條核心職責(zé)與對(duì)應(yīng)工作流數(shù)據(jù)預(yù)處理與特征工程模型選擇與架構(gòu)設(shè)計(jì)訓(xùn)練與超參數(shù)調(diào)優(yōu)評(píng)估與驗(yàn)證部署準(zhǔn)備與監(jiān)控。具體流程分五步展開Data Analysis探索性數(shù)據(jù)分析、特征統(tǒng)計(jì)、數(shù)據(jù)質(zhì)量檢查Preprocessing缺失值處理、特征縮放/歸一化、類別變量編碼、特征選擇Model Development算法選擇、交叉驗(yàn)證設(shè)置、超參數(shù)調(diào)優(yōu)、集成方法Evaluation性能指標(biāo)、混淆矩陣、ROC/AUC 曲線、特征重要性Deployment Prep模型序列化、API 端點(diǎn)創(chuàng)建、監(jiān)控搭建。這五步與metadata.specialization聲明一一對(duì)應(yīng)形成了聲明 - 提示詞 - 執(zhí)行的自洽閉環(huán)。代碼模式與最佳實(shí)踐文檔提供了標(biāo)準(zhǔn)的 scikit-learn 流水線模板# Standard ML pipeline structure from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # Data preprocessing X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # Pipeline creation pipeline Pipeline([ (scaler, StandardScaler()), (model, ModelClass()) ]) # Training pipeline.fit(X_train, y_train) # Evaluation score pipeline.score(X_test, y_test)并配套五條最佳實(shí)踐切分?jǐn)?shù)據(jù)須在預(yù)處理之前完成使用交叉驗(yàn)證保證評(píng)估穩(wěn)健記錄所有實(shí)驗(yàn)與參數(shù)對(duì)模型和數(shù)據(jù)做版本控制文檔化模型的假設(shè)與局限。從 v1 到 v2自學(xué)習(xí)增強(qiáng)的演進(jìn)路徑對(duì)比同目錄 data/data-ml-model.mdv2.0.0-alphaupdated2025-12-03可以看到該 Agent 正在向自學(xué)習(xí)方向演進(jìn)。v2 版本在 hooks 中嵌入了模式學(xué)習(xí)的閉環(huán)訓(xùn)練前memory search-patterns ML training: $TASK --k5 --min-reward0.8檢索歷史成功模式復(fù)用最優(yōu)超參數(shù)同時(shí)檢索失敗模式以規(guī)避既往錯(cuò)誤訓(xùn)練中引入 GNN 增強(qiáng)的超參數(shù)空間搜索agentDB.gnnEnhancedSearch與面向大數(shù)據(jù)集的 Flash Attention 處理訓(xùn)練后memory store-pattern記錄任務(wù)、輸出、reward、success 與 critique并對(duì)成功流程執(zhí)行neural train訓(xùn)練神經(jīng)模式。值得注意的是v1 文檔正文中并未出現(xiàn)這些自學(xué)習(xí)協(xié)議它們是 v2 版本的核心增量——這也說(shuō)明本文件作為 v1 基線其 frontmatter 結(jié)構(gòu)triggers/capabilities/constraints/hooks是穩(wěn)定可復(fù)用的骨架而 v2 在此骨架之上疊加了記憶 - 檢索 - 強(qiáng)化的能力層。源碼級(jí)支撐Flash Attention 與模式檢索的落地實(shí)現(xiàn)文檔中提到的大數(shù)據(jù)集處理與模式檢索在倉(cāng)庫(kù)中均有真實(shí)實(shí)現(xiàn)可印證Flash Attention核心實(shí)現(xiàn)位于 v3/claude-flow/neural/src/flash-attention.ts。其頭注釋明確說(shuō)明采用分塊tiling策略將注意力計(jì)算的內(nèi)存復(fù)雜度從 O(N2) 降至 O(N)通過(guò)塊式計(jì)算適配 CPU L1 緩存、融合 softmax 與矩陣乘、使用 Float32Array、并采用 online softmax 保證數(shù)值穩(wěn)定性目標(biāo)是相對(duì)樸素注意力實(shí)現(xiàn) 2-5 倍 CPU 加速BenchmarkResult.speedup字段即用于測(cè)量naiveTimeMs / flashTimeMs。配置接口FlashAttentionConfig暴露blockSize塊大小CPU L1 下 32-64 最優(yōu)、dimensions、temperature、useStableMode與useCPUOptimizations等參數(shù)內(nèi)存初始化層的 Flash Attention 搜索v3/claude-flow/cli/src/memory/memory-initializer.ts 中的flashAttentionSearch將批量余弦相似度計(jì)算、top-k 篩選與 softmax 注意力權(quán)重合成一趟完成返回{ indices, scores, weights }對(duì)應(yīng)文檔中大訓(xùn)練數(shù)據(jù)集快速處理的場(chǎng)景模式檢索橋接上文提到的bridgeSearchPatternsmemory-bridge.ts是鉤子腳本中search-patterns命令的底層實(shí)現(xiàn)其多級(jí)降級(jí)策略searchPatterns → findSimilar/getAll → bridge SQL/HNSW保證了訓(xùn)練模式既能寫入也能被檢索形成訓(xùn)練 → 存模式 → 再訓(xùn)練時(shí)檢索復(fù)用的完整閉環(huán)?？偨Y(jié)data/ml/data-ml-model.md是 ruflo 子 Agent 體系中一份結(jié)構(gòu)完整、可直接投入使用的 ML 開發(fā)者 Agent 定義它通過(guò)triggers實(shí)現(xiàn)精準(zhǔn)喚醒通過(guò)capabilities/constraints劃定能力與安全邊界通過(guò)hooks把 Agent 生命周期掛接到宿主運(yùn)行時(shí)再以五階段工作流和 scikit-learn 代碼模式約束執(zhí)行質(zhì)量。若將其與同目錄 v2 版本及 memory-bridge.ts、flash-attention.ts 等源碼對(duì)照閱讀即可看到從聲明式配置到記憶與學(xué)習(xí)能力的完整實(shí)現(xiàn)鏈路——這也為你在 ruflo 中自定義自己的領(lǐng)域子 Agent 提供了可直接套用的模板范式。【免費(fèi)下載鏈接】ruflo The original agent meta-harness. Deploy intelligent multi-player swarms, coordinate autonomous workflows, and build conversational AI systems. Features adaptive memory, self-learning intelligence, RAG integration, and native Claude Code / Codex / Hermes and many more Integrated項(xiàng)目地址: https://gitcode.com/GitHub_Trending/cl/ruflo創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考