机器学习管道

设计与多媒体 社区

技能解读

当前原文的自动摘译,尚未人工审校。

使用这个技能的时候

处理机器学习管道 - 多代理 mlops 编排任务或工作流程 需要机器学习管道 - 多代理 mlops 编排的指导、最佳实践或清单

请勿在以下情况下使用该技能

该任务与机器学习管道无关 - 多代理 mlops 编排 您需要此范围之外的不同域或工具

使用说明

明确目标、限制和所需的投入。应用相关最佳实践并验证结果。提供可操作的步骤和验证。如果需要详细示例,请打开resources/implementation-playbook.md。

思考

此工作流程协调多个专用代理,以遵循现代 MLOps 最佳实践构建可用于生产的 ML 管道。该方法强调: 基于阶段的协调:每个阶段都建立在先前的输出之上,代理之间有明确的交接 现代工具集成:用于实验的 MLflow/W&B、用于功能的 Feast/Tecton、用于服务的 KServe/Seldon 生产优先思维:每个组件均针对规模、监控和可靠性而设计

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
设计与多媒体
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@tomevault-io · 未声明许可证
上下文用量评级
低消耗
接入复杂程度
需手动接入
是否需要外部接口密钥
不需要
兼容的系统
Docker
运行环境要求
Python · Docker
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
  • 命令执行
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

01
第一阶段:数据和需求分析

<任务> subagent_type:数据工程师提示:|分析和设计 ML 系统的数据管道,要求:$ARGUMENTS 可交付成果:

02
第 2 阶段:模型开发和训练

<任务> subagent_type:ml-engineer 提示:|根据需求实现训练管道:{phase1.data-scientist.output} 使用数据管道:{phase1.data-engineer.output}

03
第三阶段:生产部署和服务

<任务> subagent_type: mlops-engineer 提示: |为模型设计生产部署:{phase2.ml-engineer.output} 优化代码来自:{phase2.python-pro.output}

04
第四阶段:监控和持续改进

<任务> subagent_type:可观察性工程师提示: |对部署在:{phase3.mlops-engineer.output} 的 ML 系统实施全面监控 使用 Kubernetes 基础设施:{phase3.kubernetes-architect.output}

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。