AutoForge

讓 AI 自己分析需求、選擇方法、訓練、評估、部署 AI 模型的可安裝平台。

• 三種 AI 大腦：訂閱制 AI（透過 MCP）、雲端 API、本地模型
• 硬體：NVIDIA GPU（CUDA），沒有 GPU 時自動改用 CPU
• 方法包：從 GitHub 安裝的「教學包」，AI 讀了就知道怎麼訓練
• 隱私：敏感資料只允許本地模型指揮

1.0.2 · 文件網站：https://honguan.github.io/autoforge/ · 變更紀錄

安裝與第一次使用

pip install autoforge-trainer          # 需要 Python 3.11 以上
autoforge quickstart              # 約 1 分鐘：檢查硬體 → 安裝方法包 → 訓練 → 註冊 → 預測
autoforge gui                     # 網頁介面

PyPI 上的 autoforge 是另一個不相關的專案（autoforge-ai、autoforge-ml 也都無法使用），請安裝 autoforge-trainer；裝好之後指令一樣是 autoforge。

操作方式：網頁介面 · 一句話訓練 · 讓訂閱制 AI 透過 MCP 操作 · 改進模型 · 部署 · 架構 · 路線圖

內建方法包

每個方法包都附給 AI 讀的 KNOWLEDGE.md，以及在 CPU 上 30 秒內跑完的測試。自己做方法包：autoforge pack new（見 docs/PACK_SPEC.md）。

從原始碼開發

git clone https://github.com/Honguan/autoforge && cd autoforge
pip install -e ".[dev]"            # 加上 ,deep 安裝深度學習方法包的依賴
pytest -q

網頁介面

autoforge gui      # 打開瀏覽器：上傳資料 → 選任務 → 選方法 → 訓練 → 調參 → 註冊 → 預測

使用

autoforge doctor               # 偵測硬體
autoforge doctor --json        # 給 AI 讀的 JSON
autoforge schema               # 列出所有資料結構
autoforge schema TrainingPlan --json

# 方法包
autoforge pack search csv --fit            # 搜尋這台電腦跑得動的方法包
autoforge pack install tabular-classic    # 從索引安裝（鎖定 commit）
autoforge pack install ./packs/tabular-classic   # 從本地資料夾安裝
autoforge pack install github:owner/repo/subdir@v1.0.0
autoforge pack info tabular-classic --json       # 給 AI 讀的知識和方法
autoforge pack list

# 訓練
autoforge plan validate examples/churn_plan.yaml     # 檢查訓練計畫
autoforge run start examples/churn_plan.yaml --wait  # 訓練並即時顯示進度
autoforge run start plan.yaml --json                 # 背景訓練，立即回傳 run_id（給 AI 用）
autoforge run status <run_id>
autoforge run pause|resume|stop <run_id>
autoforge run metrics|logs|audit <run_id>
autoforge run retry <run_id>                         # 同計畫重跑，從 checkpoint 接續

每次訓練的所有檔案都在 ~/.autoforge/runs/<run_id>/：計畫、模型、checkpoint、日誌、指標、稽核紀錄，計畫和 AI 寫的程式會用 git 版本管理。

方法包格式見 docs/PACK_SPEC.md，索引放在本 repo 的 packs-index 分支。

改進模型

autoforge run diagnose <run_id>                                       # 找問題、給建議
autoforge hpo start examples/churn_plan.yaml -m f1_macro -n 20 --wait # 自動調參（trial 0 = 基準）
autoforge run adjust <run_id> --set learning_rate=0.0003              # 訓練中途改參數
autoforge run compare <id1> <id2> -m f1_macro                         # 比較

部署

autoforge model register <run_id> --name churn      # 註冊成模型（v1、v2…）
autoforge model predict churn --rows '[{...}]'       # 預測
autoforge serve                                      # REST API（127.0.0.1:8000）
autoforge serve-mcp                                  # 每個模型變成 MCP 工具 predict_<名稱>，給其他 AI 呼叫
autoforge model export churn --format onnx           # 匯出

一句話訓練（內建 AI 代理）

pip install -e ".[anthropic]"
autoforge train "預測 churned 欄位" --data examples/data/churn.csv                   # Claude（預設）
autoforge train "預測 churned 欄位" --data examples/data/churn.csv --brain ollama:qwen3   # 本地模型

詳見 docs/AGENT.md。

讓 AI 操作（MCP）

claude mcp add autoforge -- autoforge mcp --actor ai:claude-code   # Claude Code

Claude Desktop 和隱私設定見 docs/MCP.md。

autoforge data mark ~/data/customers -s sensitive   # 敏感資料：雲端 AI 不能使用

測試

pytest