ruflo 中的 ML 模型開發者 Agent解讀 contenteditable="false">【免費下載鏈接】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是一份專門用于機器學習模型開發、訓練與部署的 Agent 規格文檔。本文以該文檔為骨架逐段拆解其 YAML frontmatter 與系統提示詞設計并結合倉庫中memory-bridge.ts、memory-initializer.ts與claude-flow/neural的源碼說明模式檢索、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動、帶生命周期鉤子、可接入記憶與學習系統的 ML 工程子 Agent 的完整結構。文檔定位一份 Agent 規格文件而非獨立教程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 提示詞的雙段結構frontmatter 聲明該 Agent 的身份、觸發器、權限、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、工作流、代碼模式與最佳實踐。同一目錄下還存在它的迭代版本 data/data-ml-model.mdv2.0.0-alpha新增自學習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 結構——理解本文件即可舉一反三地讀懂整個 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 標識符供調度器與其他 Agent 引用type: data聲明該 Agent 屬于 data 域與integration.domains中的data、ml、ai對應用于域內路由metadata.autonomous: false非自主模式——模型部署等關鍵動作必須經過人工審批見后文behavior.confirmation_requiredmetadata.complexity: complex提示調度器該任務屬于復雜任務需要完整工具鏈與較長執行時間。觸發機制triggers 的四類匹配規則Agent 何時被選中由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候選file_patterns工作區中出現 Notebook、訓練腳本或模型產物.pkl/.h5時觸發task_patterns帶通配符的任務句式如 create * model 可匹配 create a classification modeldomains聲明所屬業務域供域內路由聚合。這種關鍵詞 文件特征 任務句式 域的多維匹配保證了ml-developer只在真正涉及模型開發時才被喚醒而不會攔截普通代碼任務。能力邊界capabilities 與 constraints 雙保險工具權限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設計意圖清晰允許直接讀寫與執行命令Bash、支持 Jupyter Notebook 讀寫但禁用Task不允許把任務再分包給其他 Agent聚焦自身實現與WebSearch強調使用本地數據而非聯網檢索。max_execution_time: 1800秒30 分鐘為訓練任務預留了充分時長。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 的活動范圍圈定在數據、模型、Notebook、src/ml與實驗目錄內forbidden_paths硬性排除.git與密鑰目錄避免模型訓練過程污染版本庫或泄露憑據max_file_size: 104857600100MB面向數據集讀取的文件大小上限allowed_file_types白名單覆蓋 Python 源碼、Notebook、數據集csv/json與序列化模型pkl/h5/joblib。這套雙保險明確了Agent 能碰什么、不能碰什么是子 Agent 沙箱化運行的關鍵。行為與協作策略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錯誤處理自適應三類高風險動作部署、大規模訓練、數據刪除必須人工確認失敗自動回滾日志級別verbosecommunication技術風格、批量匯報、盡量附帶代碼片段integration自身不派生子 Agentcan_spawn: []但可把數據清洗委托給data-etl、把性能分析委托給analyze-performance生產模型必須經過 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、緩存結果、內存上限 2GB。這些字段共同刻畫了一個專注實現、邊界清晰、可協作、可審計的 ML 開發 Agent 畫像。生命周期鉤子pre_execution / post_execution / on_error文檔的hooks段定義了三個執行階段腳本這是 Agent 與宿主運行時Claude Code / Codex 等之間的關鍵接口pre_execution初始化時掃描數據集find . -name *.csv -o -name *.parquet并探測 Python ML 庫是否可用import sklearn, pandas, numpypost_execution匯總模型產物.pkl/.h5/.joblib并提示做版本化與文檔化on_error輸出錯誤定位建議例如檢查數據質量與特征兼容性考慮更簡單的模型或更多預處理。倉庫中 v3/claude-flow/cli/src/memory/memory-bridge.ts 正是這套鉤子系統與記憶/推理后端之間的橋梁。例如bridgeSearchPatterns同文件 L2091-L2173會按優先級嘗試三種檢索實現優先調用 ReasoningBank 的searchPatterns()其次適配findSimilar()向量語義檢索 getAll()子串兜底最后回退到 bridge 的 SQL/HNSW 檢索——這種多控制器降級模式保證了鉤子腳本中memory search-patterns之類調用即使在后端缺失時也不會中斷 Agent 執行。同理bridgeStorePattern會把訓練模式以 embedding 形式寫入存儲并追加到 HNSW 索引addToHNSWIndex對應鉤子腳本中記錄任務開始/結束模式的語義。職責與工作流五階段 ML 管線文檔正文明確了五條核心職責與對應工作流數據預處理與特征工程模型選擇與架構設計訓練與超參數調優評估與驗證部署準備與監控。具體流程分五步展開Data Analysis探索性數據分析、特征統計、數據質量檢查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、交叉驗證設置、超參數調優、集成方法Evaluation性能指標、混淆矩陣、ROC/AUC 曲線、特征重要性Deployment Prep模型序列化、API 端點創建、監控搭建。這五步與metadata.specialization聲明一一對應形成了聲明 - 提示詞 - 執行的自洽閉環。代碼模式與最佳實踐文檔提供了標準的 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)并配套五條最佳實踐切分數據須在預處理之前完成使用交叉驗證保證評估穩健記錄所有實驗與參數對模型和數據做版本控制文檔化模型的假設與局限。從 v1 到 v2自學習增強的演進路徑對比同目錄 data/data-ml-model.mdv2.0.0-alphaupdated2025-12-03可以看到該 Agent 正在向自學習方向演進。v2 版本在 hooks 中嵌入了模式學習的閉環訓練前memory search-patterns ML training: $TASK --k5 --min-reward0.8檢索歷史成功模式復用最優超參數同時檢索失敗模式以規避既往錯誤訓練中引入 GNN 增強的超參數空間搜索agentDB.gnnEnhancedSearch與面向大數據集的 Flash Attention 處理訓練后memory store-pattern記錄任務、輸出、reward、success 與 critique并對成功流程執行neural train訓練神經模式。值得注意的是v1 文檔正文中并未出現這些自學習協議它們是 v2 版本的核心增量——這也說明本文件作為 v1 基線其 frontmatter 結構triggers/capabilities/constraints/hooks是穩定可復用的骨架而 v2 在此骨架之上疊加了記憶 - 檢索 - 強化的能力層。源碼級支撐Flash Attention 與模式檢索的落地實現文檔中提到的大數據集處理與模式檢索在倉庫中均有真實實現可印證Flash Attention核心實現位于 v3/claude-flow/neural/src/flash-attention.ts。其頭注釋明確說明采用分塊tiling策略將注意力計算的內存復雜度從 O(N2) 降至 O(N)通過塊式計算適配 CPU L1 緩存、融合 softmax 與矩陣乘、使用 Float32Array、并采用 online softmax 保證數值穩定性目標是相對樸素注意力實現 2-5 倍 CPU 加速BenchmarkResult.speedup字段即用于測量naiveTimeMs / flashTimeMs。配置接口FlashAttentionConfig暴露blockSize塊大小CPU L1 下 32-64 最優、dimensions、temperature、useStableMode與useCPUOptimizations等參數內存初始化層的 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算、top-k 篩選與 softmax 注意力權重合成一趟完成返回{ indices, scores, weights }對應文檔中大訓練數據集快速處理的場景模式檢索橋接上文提到的bridgeSearchPatternsmemory-bridge.ts是鉤子腳本中search-patterns命令的底層實現其多級降級策略searchPatterns → findSimilar/getAll → bridge SQL/HNSW保證了訓練模式既能寫入也能被檢索形成訓練 → 存模式 → 再訓練時檢索復用的完整閉環。總結data/ml/data-ml-model.md是 ruflo 子 Agent 體系中一份結構完整、可直接投入使用的 ML 開發者 Agent 定義它通過triggers實現精準喚醒通過capabilities/constraints劃定能力與安全邊界通過hooks把 Agent 生命周期掛接到宿主運行時再以五階段工作流和 scikit-learn 代碼模式約束執行質量。若將其與同目錄 v2 版本及 memory-bridge.ts、flash-attention.ts 等源碼對照閱讀即可看到從聲明式配置到記憶與學習能力的完整實現鏈路——這也為你在 ruflo 中自定義自己的領域子 Agent 提供了可直接套用的模板范式。【免費下載鏈接】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項目地址: https://gitcode.com/GitHub_Trending/cl/ruflo創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 ruflo 中的 ML 模型開發者 Agent：解讀 data-ml-model.md 的聲明式配置、觸發機制與訓練工作流
ruflo 中的 ML 模型開發者 Agent解讀 contenteditable="false">【免費下載鏈接】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是一份專門用于機器學習模型開發、訓練與部署的 Agent 規格文檔。本文以該文檔為骨架逐段拆解其 YAML frontmatter 與系統提示詞設計并結合倉庫中memory-bridge.ts、memory-initializer.ts與claude-flow/neural的源碼說明模式檢索、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動、帶生命周期鉤子、可接入記憶與學習系統的 ML 工程子 Agent 的完整結構。文檔定位一份 Agent 規格文件而非獨立教程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 提示詞的雙段結構frontmatter 聲明該 Agent 的身份、觸發器、權限、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、工作流、代碼模式與最佳實踐。同一目錄下還存在它的迭代版本 data/data-ml-model.mdv2.0.0-alpha新增自學習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 結構——理解本文件即可舉一反三地讀懂整個 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 標識符供調度器與其他 Agent 引用type: data聲明該 Agent 屬于 data 域與integration.domains中的data、ml、ai對應用于域內路由metadata.autonomous: false非自主模式——模型部署等關鍵動作必須經過人工審批見后文behavior.confirmation_requiredmetadata.complexity: complex提示調度器該任務屬于復雜任務需要完整工具鏈與較長執行時間。觸發機制triggers 的四類匹配規則Agent 何時被選中由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候選file_patterns工作區中出現 Notebook、訓練腳本或模型產物.pkl/.h5時觸發task_patterns帶通配符的任務句式如 create * model 可匹配 create a classification modeldomains聲明所屬業務域供域內路由聚合。這種關鍵詞 文件特征 任務句式 域的多維匹配保證了ml-developer只在真正涉及模型開發時才被喚醒而不會攔截普通代碼任務。能力邊界capabilities 與 constraints 雙保險工具權限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設計意圖清晰允許直接讀寫與執行命令Bash、支持 Jupyter Notebook 讀寫但禁用Task不允許把任務再分包給其他 Agent聚焦自身實現與WebSearch強調使用本地數據而非聯網檢索。max_execution_time: 1800秒30 分鐘為訓練任務預留了充分時長。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 的活動范圍圈定在數據、模型、Notebook、src/ml與實驗目錄內forbidden_paths硬性排除.git與密鑰目錄避免模型訓練過程污染版本庫或泄露憑據max_file_size: 104857600100MB面向數據集讀取的文件大小上限allowed_file_types白名單覆蓋 Python 源碼、Notebook、數據集csv/json與序列化模型pkl/h5/joblib。這套雙保險明確了Agent 能碰什么、不能碰什么是子 Agent 沙箱化運行的關鍵。行為與協作策略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錯誤處理自適應三類高風險動作部署、大規模訓練、數據刪除必須人工確認失敗自動回滾日志級別verbosecommunication技術風格、批量匯報、盡量附帶代碼片段integration自身不派生子 Agentcan_spawn: []但可把數據清洗委托給data-etl、把性能分析委托給analyze-performance生產模型必須經過 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、緩存結果、內存上限 2GB。這些字段共同刻畫了一個專注實現、邊界清晰、可協作、可審計的 ML 開發 Agent 畫像。生命周期鉤子pre_execution / post_execution / on_error文檔的hooks段定義了三個執行階段腳本這是 Agent 與宿主運行時Claude Code / Codex 等之間的關鍵接口pre_execution初始化時掃描數據集find . -name *.csv -o -name *.parquet并探測 Python ML 庫是否可用import sklearn, pandas, numpypost_execution匯總模型產物.pkl/.h5/.joblib并提示做版本化與文檔化on_error輸出錯誤定位建議例如檢查數據質量與特征兼容性考慮更簡單的模型或更多預處理。倉庫中 v3/claude-flow/cli/src/memory/memory-bridge.ts 正是這套鉤子系統與記憶/推理后端之間的橋梁。例如bridgeSearchPatterns同文件 L2091-L2173會按優先級嘗試三種檢索實現優先調用 ReasoningBank 的searchPatterns()其次適配findSimilar()向量語義檢索 getAll()子串兜底最后回退到 bridge 的 SQL/HNSW 檢索——這種多控制器降級模式保證了鉤子腳本中memory search-patterns之類調用即使在后端缺失時也不會中斷 Agent 執行。同理bridgeStorePattern會把訓練模式以 embedding 形式寫入存儲并追加到 HNSW 索引addToHNSWIndex對應鉤子腳本中記錄任務開始/結束模式的語義。職責與工作流五階段 ML 管線文檔正文明確了五條核心職責與對應工作流數據預處理與特征工程模型選擇與架構設計訓練與超參數調優評估與驗證部署準備與監控。具體流程分五步展開Data Analysis探索性數據分析、特征統計、數據質量檢查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、交叉驗證設置、超參數調優、集成方法Evaluation性能指標、混淆矩陣、ROC/AUC 曲線、特征重要性Deployment Prep模型序列化、API 端點創建、監控搭建。這五步與metadata.specialization聲明一一對應形成了聲明 - 提示詞 - 執行的自洽閉環。代碼模式與最佳實踐文檔提供了標準的 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)并配套五條最佳實踐切分數據須在預處理之前完成使用交叉驗證保證評估穩健記錄所有實驗與參數對模型和數據做版本控制文檔化模型的假設與局限。從 v1 到 v2自學習增強的演進路徑對比同目錄 data/data-ml-model.mdv2.0.0-alphaupdated2025-12-03可以看到該 Agent 正在向自學習方向演進。v2 版本在 hooks 中嵌入了模式學習的閉環訓練前memory search-patterns ML training: $TASK --k5 --min-reward0.8檢索歷史成功模式復用最優超參數同時檢索失敗模式以規避既往錯誤訓練中引入 GNN 增強的超參數空間搜索agentDB.gnnEnhancedSearch與面向大數據集的 Flash Attention 處理訓練后memory store-pattern記錄任務、輸出、reward、success 與 critique并對成功流程執行neural train訓練神經模式。值得注意的是v1 文檔正文中并未出現這些自學習協議它們是 v2 版本的核心增量——這也說明本文件作為 v1 基線其 frontmatter 結構triggers/capabilities/constraints/hooks是穩定可復用的骨架而 v2 在此骨架之上疊加了記憶 - 檢索 - 強化的能力層。源碼級支撐Flash Attention 與模式檢索的落地實現文檔中提到的大數據集處理與模式檢索在倉庫中均有真實實現可印證Flash Attention核心實現位于 v3/claude-flow/neural/src/flash-attention.ts。其頭注釋明確說明采用分塊tiling策略將注意力計算的內存復雜度從 O(N2) 降至 O(N)通過塊式計算適配 CPU L1 緩存、融合 softmax 與矩陣乘、使用 Float32Array、并采用 online softmax 保證數值穩定性目標是相對樸素注意力實現 2-5 倍 CPU 加速BenchmarkResult.speedup字段即用于測量naiveTimeMs / flashTimeMs。配置接口FlashAttentionConfig暴露blockSize塊大小CPU L1 下 32-64 最優、dimensions、temperature、useStableMode與useCPUOptimizations等參數內存初始化層的 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算、top-k 篩選與 softmax 注意力權重合成一趟完成返回{ indices, scores, weights }對應文檔中大訓練數據集快速處理的場景模式檢索橋接上文提到的bridgeSearchPatternsmemory-bridge.ts是鉤子腳本中search-patterns命令的底層實現其多級降級策略searchPatterns → findSimilar/getAll → bridge SQL/HNSW保證了訓練模式既能寫入也能被檢索形成訓練 → 存模式 → 再訓練時檢索復用的完整閉環。總結data/ml/data-ml-model.md是 ruflo 子 Agent 體系中一份結構完整、可直接投入使用的 ML 開發者 Agent 定義它通過triggers實現精準喚醒通過capabilities/constraints劃定能力與安全邊界通過hooks把 Agent 生命周期掛接到宿主運行時再以五階段工作流和 scikit-learn 代碼模式約束執行質量。若將其與同目錄 v2 版本及 memory-bridge.ts、flash-attention.ts 等源碼對照閱讀即可看到從聲明式配置到記憶與學習能力的完整實現鏈路——這也為你在 ruflo 中自定義自己的領域子 Agent 提供了可直接套用的模板范式。【免費下載鏈接】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項目地址: https://gitcode.com/GitHub_Trending/cl/ruflo創作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考