文档 / ML Studio
什么是 ML Studio
Yuli 的机器学习空间。数据、实验、训练、模型和部署,通过六步引导流程完成,全部在你的电脑上运行。
本页内容
ML Studio 是 Yuli 的机器学习空间:数据、实验、训练、模型和部署。你可以通过左侧边栏中的紫色识别它,并用 Ctrl+Alt+4(macOS 上为 ⌘+Alt+4)打开。
一切都在你的电脑上进行:导入数据、训练、评估、在 127.0.0.1 上提供模型服务、本地 LLM 以及知识库(RAG)。智能体帮助你设计方案和解读结果,但真实数据只有你和你的本地模型能看到。参见ML 隐私与沙箱。
ML Studio 使用 Python 训练,每个项目都有自己独立的环境。需要 Python 3.11 或更高版本。未经你的许可,绝不会安装任何库,而且它们会安装到项目环境中,而不是系统中。
从这里开始
首页 标签页以“✦ 从这里开始”和一个问题开头:“你希望你的模型学会什么?”。“用你领域的语言表达。Yuli 会把它翻译成 ML。”用你自己的话写下问题,或选择一个示例:
| 业务 | 运营 | 文本与语言 |
|---|---|---|
| 预测客户流失 | 时间序列 | 专精化一个 LLM |
| 预测销售额 | 检测异常 | 日志分类 |
| 违约风险 | 推荐产品 | 工单分类 |
| 客户细分 | 营销活动效果 | 检测敏感数据 |
点击 让 Yuli 提议 ✦,智能体会把你的目标转化为问题类型、指标和策略。
模型训练期间,首页会实时显示状态:最佳(目前为止的最佳指标)、速度 · n 步/秒 和 预计完成。如果验证损失开始上升,它会提醒你:“验证损失从最低点开始上升:可能过拟合。”
创建 ML 项目
向导会询问“你想如何开始这个模型?”:
| 选项 | 何时选择 |
|---|---|
| 从模板开始 | 用于学习,或借助示例数据快速起步。 |
| 使用我自己的模型 | 你已有脚本或模型,想在 ML Studio 中查看。 |
| 借助智能体 | 你描述问题,由智能体准备项目。 |
| 从零开始 | 一个由你自行配置的空项目。 |
起步框架:scikit-learn(经典)、PyTorch(神经网络)和 Transformers(文本)。模板:表格分类、欺诈检测、神经网络(PyTorch)、回归和文本分类。
Yuli 会在项目根目录创建清单文件 yuli-ml.yaml。一个项目可以包含多个模型;列表保存在 ml/use-cases.json 中。
# yuli-ml.yaml
apiVersion: yuli.ml/v1
project:
name: bajas-clientes
task: classification
runtime:
python: "3.12"
framework: sklearn
hardware:
prefer: auto # gpu、cpu、remote 或 auto
policies:
maxConcurrentJobs: 1
allowNetwork: false # ML worker 默认不联网
retainCheckpoints: 3
acceptance:
minimum_f1: 0.85
maximum_latency_ms: 200六步引导流程
带编号的标签页会带你从想法走到已发布的模型。你可以随时返回任意一步。
1/6
1 · 首页
描述目标,由 Yuli 提出方案。这里也能实时看到正在训练的任务状态。
更多工具
除了引导流程,ML Studio 还为想要深入的用户提供了更多工具:
| 工具 | 用途 |
|---|---|
| 学习类型 | 在分类、回归、异常检测、时间序列、推荐、强化学习等之间选择。 |
| 模型浏览器 | 查看模型内部学到了什么。 |
| 架构设计器 | 逐层组合神经网络。参见深度学习与 GPU。 |
| 实验 | 比较训练运行、参数和指标。 |
| LLM Studio(“语言”) | 让语言模型专精化。参见LLM Studio 与 RAG。 |
| Feature Lab | 创建并测试派生特征。 |
| 知识(RAG) | 基于你的文档作答。 |
| 智能 | ML 智能体和方案顾问。 |
| 运维 | 流水线、支持金丝雀、影子和回滚的网关,以及你的扩展。 |
| 机器学习指南 | 一份完整指南,从基础知识到公式。 |
何时不该使用 ML
并非每个问题都需要模型。方案顾问 会分析你的目标和数据,并给出以下结论之一:
| 结论 | 含义 |
|---|---|
| 模型有价值 | 存在规律、数据充足且指标明确。放手去做。 |
| 一条规则就够了 | 一个简单条件就能同样好甚至更好地解决问题,而且更易维护。 |
| 不需要 ML | 问题是确定性的:一次查询、一次计算或一次校验即可。 |
| LLM 加 RAG | 你需要基于文档作答,而不是预测某一列。 |
| 数据不足 | 目前还没有足够的或已标注的示例可供学习。 |
始终先与尽可能简单的基线进行比较(最常见的类别、平均值)。如果模型在未见过的数据上没有明显超越它,你暂时还不需要这个模型。
与智能体协作
智能体通过 ML Studio 专属的 MCP 工具进行操作:ml_project、ml_data、ml_tokenizer、ml_architecture、ml_training、ml_experiment、ml_evaluation、ml_inference、ml_model、ml_resources 和 ml_agents。在智能体团队中有专门的角色:data-engineer、ml-engineer、evaluator 和 mlops。
你可以这样向它提问:“用这些数据训练一个预测客户流失的模型”或“为什么这个模型在新客户身上表现不好?”。你会在 ML Studio 中实时看到每一步,而不可逆的操作(提升到生产环境)始终由人来决定。