AIDE ML — 机器学习工程代理

由 LLM 驱动的代理，能够编写、评估和改进机器学习代码。

 

生产环境中需要使用？试试 Weco →

什么是 AIDE ML？

AIDE ML 是 AIDE 算法的开源“参考版本”，AIDE 算法是一个树搜索代理，能够自主地编写、调试和测试代码，直到用户定义的指标达到最大值（或最小值）。它以易于研究人员使用的Python 包的形式发布，并包含一系列实用工具（命令行界面、可视化、配置预设），方便学术界和工程师研究人员复现论文、测试新想法或构建机器学习流程原型。

树状搜索可视化

层 描述 在哪里可以找到它
AIDE 算法 在代码空间中，基于LLM的智能体树搜索。 我们在论文中对此进行了描述。
AIDE ML 代码库（本代码库） 精益实施，用于实验和扩展。 pip install aideml
Weco 产品 该平台将 AIDE 的功能推广到更广泛的代码优化场景，提供实验跟踪和增强的用户控制。 weco.ai

谁应该使用它？

  • 代理架构研究人员——替换新的搜索启发式方法、评估器或 LLM 后端。
  • 机器学习从业者——根据数据集快速构建高性能机器学习管道。

主要能力

  • 自然语言任务规范： 引导智能体使用数据集，并用通俗易懂的英语描述目标 和 指标。无需 YAML 网格或自定义封装。 aide data_dir=… goal="Predict churn" eval="AUROC"
  • 迭代式智能体树搜索：每个 Python 脚本都成为解决方案树中的一个节点；LLM 生成的补丁会生成子节点；度量反馈用于修剪和指导搜索。OpenAI 的MLE-Bench（75 项 Kaggle 竞赛）发现，AIDE 的树搜索算法获得的奖牌数量是最佳线性智能体（OpenHands）的4 倍。

此仓库提供的实用功能

  • HTML可视化工具——查看完整的解决方案树以及附加到每个节点的代码。
  • Streamlit UI – 机器学习解决方案原型。
  • 模型中立的管道——OpenAI、Anthropic、Gemini 或任何支持 OpenAI API 的本地 LLM。

基于 AIDE 的特色研究

机构 论文/项目名称 链接
OpenAI MLE-bench：在机器学习工程中评估机器学习代理 论文，GitHub
地铁 RE-Bench：评估语言模型代理相对于人类专家的前沿人工智能研发能力 论文，GitHub
坂名爱 AI 科学家 v2：基于智能体树搜索的研讨会级自动化科学发现 论文，GitHub
元 自动化LLM速通基准测试：重现NanoGPT改进 论文，GitHub
元 用于机器学习的人工智能研究代理：MLE-bench 中的搜索、探索和泛化 论文，GitHub
上海交通大学 ML-Master：通过融合探索与推理，迈向人工智能的人工智能 论文，GitHub

知道还有其他引用或衍生自 AIDE 的公共项目吗？
提交 PR并添加到列表中吧！

如何使用 AIDE ML

快速入门

# 1  Install
pip install -U aideml

# 2  Set an LLM key
export OPENAI_API_KEY=<your‑key>  # https://platform.openai.com/api-keys

# 3  Run an optimisation
aide data_dir="example_tasks/house_prices" \
     goal="Predict the sales price for each house" \
     eval="RMSE between log‑prices"

运行结束后你会发现：

  • logs/<id>/best_solution.py 找到的最佳代码
  • logs/<id>/tree_plot.html – 点击查看解决方案树

Web 用户界面

pip install -U aideml   # adds streamlit
cd aide/webui
streamlit run app.py

使用侧边栏粘贴您的 API 密钥，上传数据，设置目标和指标，然后按运行 AIDE。

用户界面显示实时日志、解决方案树和最佳代码。

高级 CLI 选项

# Choose a different coding model and run 50 steps
aide agent.code.model="claude-4-sonnet" \
     agent.steps=50 \
     data_dir=… goal=… eval=…

常用旗帜

旗帜 目的 默认
agent.code.model LLM 用于编写代码 gpt-4-turbo
agent.steps 改进迭代 20
agent.search.num_drafts 每步草稿 5

在 Python 中使用 AIDE ML

import aide
import logging

def main():
    logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
    aide_logger = logging.getLogger("aide")
    aide_logger.setLevel(logging.INFO)
    print("Starting experiment...")
    exp = aide.Experiment(
        data_dir="example_tasks/bitcoin_price",  # replace this with your own directory
        goal="Build a time series forecasting model for bitcoin close price.",  # replace with your own goal description
        eval="RMSLE"  # replace with your own evaluation metric
    )

    best_solution = exp.run(steps=2)

    print(f"Best solution has validation metric: {best_solution.valid_metric}")
    print(f"Best solution code: {best_solution.code}")
    print("Experiment finished.")

if __name__ == '__main__':
    main()

高级用户附加功能

本地LLM（Ollama示例）

export OPENAI_BASE_URL="http://localhost:11434/v1"
aide agent.code.model="qwen2.5" data_dir=… goal=… eval=…

注意：评估器默认为 gpt-4o。

完全本地化（代码+评估器——无外部调用）

<span style="background-color:#f6f8fa"><span style="color:#1f2328"><span style="color:#1f2328"><span style="background-color:#f6f8fa"><code>export OPENAI_BASE_URL="http://localhost:11434/v1"
aide agent.code.model="qwen2.5" agent.feedback.model="qwen2.5" data_dir=… goal=… eval=…
</code></span></span></span></span>

提示：使用完全本地化的模型时，性能可能会有所下降。

Docker

docker build -t aide .
docker run -it --rm \
  -v "${LOGS_DIR:-$(pwd)/logs}:/app/logs" \
  -v "${WORKSPACE_BASE:-$(pwd)/workspaces}:/app/workspaces" \
  -v "$(pwd)/aide/example_tasks:/app/data" \
  -e OPENAI_API_KEY="your-actual-api-key" \
  aide data_dir=/app/data/house_prices goal="Predict price" eval="RMSE"

开发安装

git clone https://github.com/WecoAI/aideml.git
cd aideml && pip install -e .

引用

如果您在工作中使用 AIDE，请引用以下论文：

@article{aide2025,
      title={AIDE: AI-Driven Exploration in the Space of Code}, 
      author={Zhengyao Jiang and Dominik Schmidt and Dhruv Srikanth and Dixing Xu and Ian Kaplan and Deniss Jacenko and Yuxiang Wu},
      year={2025},
      eprint={2502.13138},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2502.13138}, 
}
# 机器学习 # 人工智能
Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

avatar 智能体开发者社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

avatar 智能体开发者社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla

avatar 智能体开发者社区