AIDE ML — 机器学习工程智能体

LLM 驱动的智能体，能够编写、评估并优化机器学习代码。

 

需要投入生产使用？请访问 Weco →

什么是 AIDE ML？

AIDE ML 是 AIDE 算法的开源“参考构建”。它是一个树搜索智能体，能够自主起草、调试和基准测试代码，直到达到用户定义的指标最大化（或最小化）。它作为一个便于研究的 Python 包发布，内置了多种实用工具（CLI、可视化、配置预设），旨在让学者和工程研究人员能够复现论文、测试新想法或构建 ML 流水线原型。

层级	描述	获取方式
AIDE 算法	代码空间内基于 LLM 指导的智能树搜索。	详见我们的 论文。
AIDE ML 仓库（本仓库）	用于实验和扩展的精简实现。	pip install aideml
Weco 产品	将 AIDE 的能力推广至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

适用人群

• 智能体架构研究人员 – 可替换新的搜索启发式算法、评估器或 LLM 后端。
• ML 从业者 – 针对特定数据集快速构建高性能的 ML 流水线。

核心能力

• 自然语言任务指定：只需指定数据集并用通俗的英语描述 目标 (goal) 和 评估指标 (metric)。无需 YAML 网格或复杂的包装器。例如：aide data_dir=… goal="Predict churn" eval="AUROC"
• 迭代式 智能树搜索：每个 Python 脚本都成为解空间树中的一个节点；LLM 生成的补丁会生成子节点；指标反馈则用于剪枝并引导搜索方向。OpenAI 的 MLE-Bench（涵盖 75 个 Kaggle 竞赛）研究发现，AIDE 的树搜索比表现最好的线性智能体（OpenHands）多获得 4 倍奖牌。

本仓库提供的实用功能：

• HTML 可视化工具 – 检查完整的解空间树以及附加到每个节点的代码。
• Streamlit UI – 构建 ML 解决方案原型。
• 模型中立的底层支持 – 支持 OpenAI、Anthropic、Gemini 或任何兼容 OpenAI API 的本地 LLM。

基于 AIDE 的前沿研究

机构	论文 / 项目名称	链接
OpenAI	MLE-bench: Evaluating Machine-Learning Agents on Machine-Learning Engineering	论文, GitHub
METR	RE-Bench: Evaluating frontier AI R&D capabilities of language-model agents against human experts	论文, GitHub
Sakana AI	The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search	论文, GitHub
Meta	The Automated LLM Speedrunning Benchmark: Reproducing NanoGPT Improvements	论文, GitHub
Meta	AI Research Agents for Machine Learning: Search, Exploration, and Generalization in MLE-bench	论文, GitHub
SJTU	ML-Master: Towards AI-for-AI via Integration of Exploration and Reasoning	论文, GitHub

发现了其他引用或 Fork AIDE 的公开项目？ 提交 PR 将其添加到表格中吧！

如何使用 AIDE ML

快速开始

# 1  安装
pip install -U aideml

# 2  设置 LLM API Key
export OPENAI_API_KEY=  # https://platform.openai.com/api-keys

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

任务运行完成后，你将获得：

• logs//best_solution.py – 找到的最优代码
• logs//tree_plot.html – 点击即可查看解决方案树

---

Web UI

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

使用侧边栏输入 API Key，上传数据，设置 Goal（目标） 和 Metric（指标），然后点击 Run AIDE。

UI 会实时显示日志、解决方案树以及最优代码。

---

高级 CLI 选项

# 选择不同的编码模型并运行 50 个步骤
aide agent.code.model="claude-4-sonnet" \
     agent.steps=50 \
     data_dir=… goal=… eval=…

常用参数标志：

标志	用途	默认值
agent.code.model	用于编写代码的 LLM	gpt-4-turbo
agent.steps	优化迭代次数	20
agent.search.num_drafts	每步生成的草稿数量	5