Show HN: Plexe - 通过 Prompt 构建机器学习模型
[中文正文内容]
✨ 通过 Prompt 构建机器学习模型
License
Apache-2.0 license 1.2k stars 67 forks
plexe ✨
使用自然语言构建机器学习模型。
plexe 让你通过用简单的语言描述来创建机器学习模型。 简单地解释你想要什么，这个 AI 驱动的系统通过一个自动化的 agentic 方法来构建一个功能完善的模型。 同时也可作为一个 托管云服务来使用。
demo.mp4
1. 快速开始
安装
pip install plexe
使用 plexe
你可以使用 plexe 作为一个 Python 库来构建和训练机器学习模型:
import plexe
# 定义模型
model = plexe.Model(
intent="从新闻文章中预测情感",
input_schema={"headline": str, "content": str},
output_schema={"sentiment": str}
)
# 构建和训练模型
model.build(
datasets=[your_dataset],
provider="openai/gpt-4o-mini",
max_iterations=10
)
# 使用模型
prediction = model.predict({
"headline": "可再生能源的新突破",
"content": "科学家宣布了一项重大进展..."
})
# 保存以供以后使用
plexe.save_model(model, "sentiment-model")
loaded_model = plexe.load_model("sentiment-model.tar.gz")
2. 特性
2.1. 💬 自然语言模型定义
使用简单的英文描述定义模型：
model = plexe.Model(
intent="根据大小，位置等特征预测房价",
input_schema={"square_feet": int, "bedrooms": int, "location": str},
output_schema={"price": float}
)
2.2. 🤖 多 Agent 架构
该系统使用一组专业的 AI Agents 来:
- 分析你的需求和数据
- 规划最佳模型解决方案
- 生成和改进模型代码
- 测试和评估性能
- 打包模型以便部署
2.3. 🎯 自动化模型构建
使用一个方法调用构建完整的模型：
model.build(
datasets=[dataset_a, dataset_b],
provider="openai/gpt-4o-mini", # LLM provider
max_iterations=10, # 探索的最大解决方案数量
timeout=1800 # 可选时间限制（秒）
)
2.4. 🚀 使用 Ray 进行分布式训练
Plexe 支持使用 Ray 进行分布式模型训练和评估，以实现更快的并行处理：
from plexe import Model
# 可选: 如果使用远程 Ray，配置 Ray 集群地址
# from plexe import config
# config.ray.address = "ray://10.1.2.3:10001"
model = Model(
intent="根据各种特征预测房价",
distributed=True # 启用分布式执行
)
model.build(
datasets=[df],
provider="openai/gpt-4o-mini"
)
当探索多个模型变体时，Ray 将你的工作负载分配到可用的 CPU 核心，从而显著加快模型生成和评估速度。
2.5. 🎲 数据生成 & Schema 推断
自动生成合成数据或推断 Schema：
# 生成合成数据
dataset = plexe.DatasetGenerator(
schema={"features": str, "target": int}
)
dataset.generate(500) # 生成 500 个样本
# 从 intent 推断 schema
model = plexe.Model(intent="根据使用模式预测客户流失")
model.build(provider="openai/gpt-4o-mini") # 自动推断 Schema
2.6. 🌐 多 Provider 支持
使用你喜欢的 LLM provider，例如:
model.build(provider="openai/gpt-4o-mini") # OpenAI
model.build(provider="anthropic/claude-3-opus") # Anthropic
model.build(provider="ollama/llama2") # Ollama
model.build(provider="huggingface/meta-llama/...") # Hugging Face
有关说明和可用 providers，请参阅 LiteLLM providers。
注意
Plexe 应该 可以与大多数 LiteLLM providers 一起使用，但我们仅主动测试 openai/* 和 anthropic/* 模型。 如果你遇到其他 providers 的问题，请告知我们。
3. 安装
3.1. 安装选项
pip install plexe # 标准安装
pip install plexe[lightweight] # 最小依赖
pip install plexe[all] # 包含深度学习支持
3.2. API Keys
# 设置你首选 provider 的 API key
export OPENAI_API_KEY=<your-key>
export ANTHROPIC_API_KEY=<your-key>
export GEMINI_API_KEY=<your-key>
有关环境变量名，请参阅 LiteLLM providers。
4. 文档
有关完整文档，请访问 docs.plexe.ai。
5. 贡献
请参阅 CONTRIBUTING.md 获取指南。 加入我们的 Discord 与团队联系。
6. License
7. 产品路线图
- 为小型预训练模型进行微调和迁移学习
- 使用 Pydantic 进行 schemas 处理，并将数据生成拆分为单独的模块
- Plexe 自托管平台 ⭐ (更多详细信息即将推出!)
- 不含繁重深度学习依赖的轻量级安装选项
- 在 AWS 上使用 Ray 进行分布式训练
- 支持模型生成中非表格数据类型
8. 引用
如果你在研究中使用 Plexe，请按如下方式引用它：
@software{plexe2025,
author = {De Bernardi, Marcello AND Dubey, Vaibhav},
title = {Plexe: Build machine learning models using natural language.},
year = {2025},
publisher = {GitHub},
howpublished = {\url{https://github.com/plexe-ai/plexe}},
}
关于
✨ 通过 Prompt 构建机器学习模型 plexe.ai
Topics
machine-learning ml multiagent multiagent-systems agents mlops mlengineering agentic-ai