【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址https://gitcode.com/gh_mirrors/py/pycaret点击查看免费下载PyCaret 4.0 将项目重新定位为一套开源、可自托管的表格数据机器学习平台以pip install pycaret即可获得的无状态引擎与一个完整的**Web 控制平面Control Plane**为双核心目标是成为团队真正拥有、可自主部署的 DataRobot / H2O.ai 替代方案。本文以仓库中的 VISION.md 为骨架结合 ARCHITECTURE.md、ROADMAP.md、STATUS.md 以及packages/engine、services/api、infra/下的真实源码完整梳理它的产品定位、目标用户、产品闭环、刻意取舍、部署模式与三大工程原则并落到仓库中的代码与配置证据上。一、愿景总览两个层次一个品牌PyCaret 4.0 的愿景文档开宗明义地给出定义PyCaret 是一个开源、自托管的表格数据机器学习平台其定位是团队能够真正拥有的 DataRobot 与 H2O.ai 的可行替代品。整个产品由两个层次组成PyCaret Engine引擎——pip install pycaret即可安装的 Python 库。配置驱动config-driven、无状态stateless、对 Notebook 友好构建在 scikit-learn 1.7 之上负责 AutoML、预处理管道、模型训练与评估并产出不可变的管道制品immutable pipeline artifacts。PyCaret Control Plane控制平面——包装引擎的完整 Web 应用覆盖认证、工作区workspaces、项目projects、数据集datasets、实验experiments、运行runs、制品注册中心artifact registry、部署与在线推理deployment serving、监控monitoring、漂移检测drift detection、LLM 辅助实验设计。自托管可以跑在一台笔记本、单个 Docker 主机上也可以部署到 Kubernetes Terraform 云环境。这两层在仓库的 monorepo 结构中有着清晰的一一对应关系见 ARCHITECTURE.mdpackages/engine是引擎源码目录发布为 PyPI 上的pycaret包services/api是 FastAPI 后端发布为pycaret-serverapps/web是 React 单页应用infra/承载 Docker、Helm 与 Terraform 部署资产。目前引擎版本号为4.0.0a8见 packages/engine/pycaret/init.py处于向4.0.0正式版过渡的 soak 阶段。二、为谁而建四类目标用户愿景文档明确了产品服务的四类人群这直接决定了平台的功能优先级数据科学家——希望获得 AutoML 能力但不愿被任何厂商锁定no lock-in。ML 工程师——需要能在公司内部署平台并且自己拥有制品、日志和管道的团队。小团队≤20 人——需要训练 → 部署 → 监控 → 改进的完整闭环但又不想为 Databricks 之类的商业许可买单。企业用户——需要在同一套从原型起步的代码中获得 SSO、审计日志和多云部署能力。这种用户分层在 Control Plane 的能力设计上有直接体现从 STATUS.md 可以看到V2 阶段已经落地的角色格子role lattice从最初的{admin, member}扩展到了 7 种角色owner / admin / project_admin / ml_engineer / data_scientist / viewer / service_account对应企业治理需求审计日志AuditLog中间件则记录所有/api/v1/*的变更型请求见 app.py。三、产品闭环从 CSV 到线上预测端点的完整循环愿景文档给出了产品要优化的核心闭环Create project Upload dataset Create experiment Run AutoML Compare pipelines Save artifact Deploy endpoint Monitor predictions Ask AI what to improve next每一步都追求键盘优先、暗色模式、无营销装饰、无神秘操作、单列表单的交互体验。这个闭环从代码层面可以逐段验证Create project / Upload dataset后端有projects、data_sources路由支持 CSV 上传64 MB 上限、SHA-256 校验、列采样以及 S3 / Postgres 连接器注册见 ARCHITECTURE.md §4.1apps/web/src下的DataSourcesSection.tsx、SampleDatasetsBrowserModal.tsx等组件提供上传与浏览界面datasets/目录还内置了大量示例 CSV。Create experiment / Run AutoMLPOST /api/v1/experiments/{id}/runs提交运行RunOrchestrator在线程池中执行setup | create | compare等计划runs/orchestrator.py。Compare pipelines / Save artifact运行成功后将拟合管道以 cloudpickle 序列化为制品行AutoML 搜索模式plansearch会迭代多个预处理变体并聚合 leaderboard。Deploy endpoint / Monitor predictionsPOST /runs/{id}/promote将管道提升为工作区级 Pipeline再创建 Deployment带 slug auth_mode 指标计数器最终通过POST /api/v1/deployments/{slug}/predict提供推理ARCHITECTURE.md §4.4。prediction_logs表记录每次请求漂移监控drift monitor周期性计算 PSI / Cramers V 并可在中度/严重漂移时触发 webhook 告警。Ask AI what to improve nextLLM 顾问系统LLM consultations提供数据集分析、实验设计、运行解释、失败调试、部署风险评估、漂移分析六类建议全部经 LLMRouter 统一路由。四、刻意不做的事定位的边界愿景文档用Not ...清单划清了产品的边界这些边界同样能在仓库中得到印证不是托管的 SaaS——由用户自己运行。平台包采用双 BSL-1.1 许可保留了未来托管运营的可能。不是 Databricks——不管理集群、Notebook 或数据仓库只负责我有一份 CSV到我有一个在线预测端点这段路径。不绑定任何单一 LLM 厂商——Claude 与 OpenAI 通过 provider 路由器平级支持用户自带 API Key。这一点在代码中有直接体现services/api/pycaret_server/llm/providers/下存在anthropic_provider.py与openai_provider.py由get_provider()统一构造。不绑定 MLflow / Comet / Weights Biases——事件流、制品注册中心等所需机制全部自研第三方追踪器仅作为可选的 V3 适配器。事件流自研的例证是pycaret/logging/events.py中定义的Event不可变数据类与EventKind字符串枚举支持 JSON 往返序列化。不是特征商店 / 数据平台——与 Snowflake / Postgres / S3 / BigQuery 做集成而不是重新实现。五、四种部署模式愿景文档给出了产品要随附的部署模式矩阵模式面向人群交付形态本地开发者模式想要 UI 的 Notebook 用户uv run pycaret-server servenpm run dev本地桌面版V2想要原生应用的分析师Electron 安装包mac / win / linux单服务器自托管小团队docker compose upKubernetes 企业版V2运维团队helm install pycaret TerraformAWS / GCP / Azure仓库中可验证的实际配置包括一键本地启动仓库根目录的 compose.yml 即git clone docker compose up入口启动 apiFastAPI 进程内 APScheduler webnginx 托管的 React UI反代/api与/wsSQLite 数据库、上传的 CSV 与拟合.pkl制品都持久化在pycaret-data命名卷中docker compose down保留数据docker compose down -v清空一切。生产形态 Composeinfra/docker/docker-compose.prod.yml 提供了 postgres16-alpine、redis7-alpine、minioS3 兼容对象存储与独立 worker 容器的生产形态参考栈UI 暴露在http://localhost:3020。注释明确说明这是自托管 OSS 安装的参考形态正式生产需自行覆盖密钥。Kubernetes / Terraforminfra/helm/pycaret/提供 Helm chart含 api / web / worker Deployment 模板与 ingressinfra/terraform/{aws,gcp,azure}提供多云模块根据 STATUS.md 的说明这两部分属于有意延后的基础设施工作leave infra for the end。六、三大工程原则引擎无状态、配置即契约、制品不可变愿景文档用三条原则定义了 4.0 与 3.x 的分水岭它们也是理解整个架构的钥匙原则 1引擎是无状态的一次调用result engine.run(config)。没有隐藏的全局变量没有setup()之后必须紧跟compare_models()的脆弱调用链。3.x 中基于ContextVar的会话级隐式状态被彻底移除Experiment实例彼此独立。仓库中的实现证据五种任务实验类ClassificationExperiment、RegressionExperiment、ClusteringExperiment、AnomalyExperiment、TimeSeriesExperiment都从 pycaret/tasks/init.py 导出且均实现为 sklearn 可组合的BaseEstimator子类。引擎的类型化内省 APIpycaret.api是无副作用设计的典范list_models、describe_model、list_metrics、describe_setup_params全部返回可 JSON 序列化的数据类不训练任何模型见 api/init.py。这套 API 直接驱动 React 侧实验向导的动态表单DynamicForm按ParamKind与引擎声明的group渲染。STATUS.md 记录了一个漫长的神类抽干god-class drain工程从 session 22 到 session 4616 个建模动词、数据访问器、内部训练状态、pull/models/get_metrics、add_metric/remove_metric、get_config/set_config、乃至setup()本身全部脱离_legacy最终删除了约 22K 行旧代码含pycaret/internal/pycaret_experiment/与五个oop.py薄包装。原则 2配置即契约一份RunConfigJSON 同时驱动 Notebook 运行、API 运行、UI 向导运行和 LLM 生成的运行。同一套 schema四个接口。在 ARCHITECTURE.md §8 中RunConfig被画成四路汇集的单一契约数据集 任务 预处理 模型选择 评估 AutoML 调参 可解释性统一进入引擎执行。目前仓库中以RunSpec见 runs/orchestrator.py承载运行所需的全部信息run_id、task、target、setup_params、plan、模型 ID、数据来源三元组等API 层接收松散 dict 存入Run.snapshot正式化为严格 PydanticRunConfig是 MVP 1 退出条件中剩余的一项。原则 3制品不可变部署有版本你永远不会修改一个已训练的管道永远不会部署一个移动的目标。每一次生产预测都可以追溯到一条具体的pipeline_artifact记录。仓库中的对应实现包括运行成功后将管道写入制品行ARTIFACT_DIR/runs/run_id/pipeline.pklArtifact表管道以(workspace_id, name)划分版本族family_idversion提升promote会递增版本号并提供POST /deployments/{id}/rollback回滚到族内任意早期版本DeploymentRegistry使用进程内 LRU 缓存管道并维护 p50/p95 滚动窗口指标见 ARCHITECTURE.md §4.4。七、成功的样子五条验收性标准愿景文档以五个可以做到的场景定义了成功每条都在仓库中有落点数据科学家 5 行训练模型pip install pycaret打开 Notebook5 行代码完成训练——以 3.x 的方式工作但更快、跑在现代 sklearn 上。仓库顶部的 canonical API 示例pycaret/init.py恰好是五步构建实验 → fit → compare → predict → save。团队 5 分钟内获得完整 Control Planegit clonedocker compose uplocalhost:3020上跑起完整控制平面对应 compose.yml。企业terraform apply部署到自家 AWS获得 SSO 审计日志并满足合规审查V2 阶段目标对应 infra/terraform/aws/。分析师零 Python 走完闭环上传 CSV → 点击 AutoML → 拿到 leaderboard → 点击 Deploy → 上线预测端点对应前端DeployFromPipelineDialog、PredictTester等组件。LLM Agent 参与实验设计读取数据集画像 → 提议RunConfig→ 用户批准 → 确定性引擎执行。这里有一个贯穿始终的关键约束LLM 输出只是建议advisory每次咨询返回suggested_config_jsonsuggested_actionreasoning_summaryrisk_flags最终由确定性引擎执行用户批准的内容——建议与执行之间始终隔着人审这道闸。八、落地现状愿景在仓库中的完成度愿景文档末尾指向了两份关键文件完整规格见 CONTROL_PLANE_SPEC.md进度与下一步见 ROADMAP.md 和 STATUS.md。截至 2026-05-08session 54实际状态是引擎 MVP-1 完成6 个在4.0.0a2中还是NotImplementedError桩的旧动词全部恢复可用核心依赖从 12 个精简到 10 个移除imbalanced-learn/category-encodersPlotly 绘图模块pycaret/plots/{classification,regression,feature,clustering,anomaly,time_series}提供 33 个独立绘图函数plot_model/evaluate_model通过每种任务各自的绘图注册表分发16 种分类图、12 种回归图、6 种聚类图、4 种异常检测图、8 种时间序列图。Control Plane V2 功能全部落地加密密钥Fernet、预测日志、试验trials、模型库、调度任务漂移监控 重训练、webhook、实验模板、管道版本化 回滚、AutoML 管道搜索、扩展角色格子、备份 / 恢复数据库表从 session 9 基线的 14 张增长到 26 张新增pycaret-clientSDK 包。测试规模引擎 330、后端 115、UI 59合计 504 项测试PyPI 引擎版本推进到4.0.0a8。有意延后的事项生产 ComposePostgres MinIO Redis Caddy TLS、K8s Helm chart 与多云 Terraform、独立services/worker容器进程内 APScheduler 对 V1 足够SSO / Electron 桌面版 / K8s 原生执行属于 V2/V3 长期项。愿景文档的收尾是一句克制而完整的话Thats the whole product.——整个产品就是一个无状态、配置驱动、Notebook 友好的 sklearn 原生引擎加上一个可自托管、覆盖从 CSV 到预测端点全闭环、带 LLM 辅助的控制平面。如果你想深入实现细节可以按这条阅读路径继续先读 VISION.md 建立产品心智再读 ARCHITECTURE.md 理解模块划分与调用链用 CONTROL_PLANE_SPEC.md 查规格用 ROADMAP.md 与 STATUS.md 对照进度最后钻进packages/engine与services/api的源码验证每一个设计决策。赞分享【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址https://gitcode.com/gh_mirrors/py/pycaret点击查看免费下载相关推荐render_async部署指南在生产环境中实现稳定异步渲染render_async部署指南在生产环境中实现稳定异步渲染 render_async是一款让你能够通过AJAX异步包含页面内容的工具它可以显著提升网页加载Docker 搭建 Minecraft Forge 服务器的部署指南5 步拉起容器与 4 个常见坎Docker 搭建 Minecraft Forge 服务器的部署指南5 步拉起容器与 4 个常见坎 你和朋友开服务器第一次连接就卡在服务器列表的“ForgePyCaret Control Plane 前端开发指南apps/web 技术栈、本地开发与引擎驱动 UI设计原则PyCaret Control Plane 前端开发指南apps/web 技术栈、本地开发与引擎驱动 UI设计原则 PyCaret 4.0 将项目重构为上一篇grex开发工具链从Lint到格式化的自动化流程下一篇SwiftUI-Notes部署指南将Combine项目发布到生产环境的完整流程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址https://gitcode.com/gh_mirrors/py/pycaret点击查看免费下载PyCaret 4.0 将项目重新定位为一套开源、可自托管的表格数据机器学习平台以pip install pycaret即可获得的无状态引擎与一个完整的**Web 控制平面Control Plane**为双核心目标是成为团队真正拥有、可自主部署的 DataRobot / H2O.ai 替代方案。本文以仓库中的 VISION.md 为骨架结合 ARCHITECTURE.md、ROADMAP.md、STATUS.md 以及packages/engine、services/api、infra/下的真实源码完整梳理它的产品定位、目标用户、产品闭环、刻意取舍、部署模式与三大工程原则并落到仓库中的代码与配置证据上。一、愿景总览两个层次一个品牌PyCaret 4.0 的愿景文档开宗明义地给出定义PyCaret 是一个开源、自托管的表格数据机器学习平台其定位是团队能够真正拥有的 DataRobot 与 H2O.ai 的可行替代品。整个产品由两个层次组成PyCaret Engine引擎——pip install pycaret即可安装的 Python 库。配置驱动config-driven、无状态stateless、对 Notebook 友好构建在 scikit-learn 1.7 之上负责 AutoML、预处理管道、模型训练与评估并产出不可变的管道制品immutable pipeline artifacts。PyCaret Control Plane控制平面——包装引擎的完整 Web 应用覆盖认证、工作区workspaces、项目projects、数据集datasets、实验experiments、运行runs、制品注册中心artifact registry、部署与在线推理deployment serving、监控monitoring、漂移检测drift detection、LLM 辅助实验设计。自托管可以跑在一台笔记本、单个 Docker 主机上也可以部署到 Kubernetes Terraform 云环境。这两层在仓库的 monorepo 结构中有着清晰的一一对应关系见 ARCHITECTURE.mdpackages/engine是引擎源码目录发布为 PyPI 上的pycaret包services/api是 FastAPI 后端发布为pycaret-serverapps/web是 React 单页应用infra/承载 Docker、Helm 与 Terraform 部署资产。目前引擎版本号为4.0.0a8见 packages/engine/pycaret/init.py处于向4.0.0正式版过渡的 soak 阶段。二、为谁而建四类目标用户愿景文档明确了产品服务的四类人群这直接决定了平台的功能优先级数据科学家——希望获得 AutoML 能力但不愿被任何厂商锁定no lock-in。ML 工程师——需要能在公司内部署平台并且自己拥有制品、日志和管道的团队。小团队≤20 人——需要训练 → 部署 → 监控 → 改进的完整闭环但又不想为 Databricks 之类的商业许可买单。企业用户——需要在同一套从原型起步的代码中获得 SSO、审计日志和多云部署能力。这种用户分层在 Control Plane 的能力设计上有直接体现从 STATUS.md 可以看到V2 阶段已经落地的角色格子role lattice从最初的{admin, member}扩展到了 7 种角色owner / admin / project_admin / ml_engineer / data_scientist / viewer / service_account对应企业治理需求审计日志AuditLog中间件则记录所有/api/v1/*的变更型请求见 app.py。三、产品闭环从 CSV 到线上预测端点的完整循环愿景文档给出了产品要优化的核心闭环Create project Upload dataset Create experiment Run AutoML Compare pipelines Save artifact Deploy endpoint Monitor predictions Ask AI what to improve next每一步都追求键盘优先、暗色模式、无营销装饰、无神秘操作、单列表单的交互体验。这个闭环从代码层面可以逐段验证Create project / Upload dataset后端有projects、data_sources路由支持 CSV 上传64 MB 上限、SHA-256 校验、列采样以及 S3 / Postgres 连接器注册见 ARCHITECTURE.md §4.1apps/web/src下的DataSourcesSection.tsx、SampleDatasetsBrowserModal.tsx等组件提供上传与浏览界面datasets/目录还内置了大量示例 CSV。Create experiment / Run AutoMLPOST /api/v1/experiments/{id}/runs提交运行RunOrchestrator在线程池中执行setup | create | compare等计划runs/orchestrator.py。Compare pipelines / Save artifact运行成功后将拟合管道以 cloudpickle 序列化为制品行AutoML 搜索模式plansearch会迭代多个预处理变体并聚合 leaderboard。Deploy endpoint / Monitor predictionsPOST /runs/{id}/promote将管道提升为工作区级 Pipeline再创建 Deployment带 slug auth_mode 指标计数器最终通过POST /api/v1/deployments/{slug}/predict提供推理ARCHITECTURE.md §4.4。prediction_logs表记录每次请求漂移监控drift monitor周期性计算 PSI / Cramers V 并可在中度/严重漂移时触发 webhook 告警。Ask AI what to improve nextLLM 顾问系统LLM consultations提供数据集分析、实验设计、运行解释、失败调试、部署风险评估、漂移分析六类建议全部经 LLMRouter 统一路由。四、刻意不做的事定位的边界愿景文档用Not ...清单划清了产品的边界这些边界同样能在仓库中得到印证不是托管的 SaaS——由用户自己运行。平台包采用双 BSL-1.1 许可保留了未来托管运营的可能。不是 Databricks——不管理集群、Notebook 或数据仓库只负责我有一份 CSV到我有一个在线预测端点这段路径。不绑定任何单一 LLM 厂商——Claude 与 OpenAI 通过 provider 路由器平级支持用户自带 API Key。这一点在代码中有直接体现services/api/pycaret_server/llm/providers/下存在anthropic_provider.py与openai_provider.py由get_provider()统一构造。不绑定 MLflow / Comet / Weights Biases——事件流、制品注册中心等所需机制全部自研第三方追踪器仅作为可选的 V3 适配器。事件流自研的例证是pycaret/logging/events.py中定义的Event不可变数据类与EventKind字符串枚举支持 JSON 往返序列化。不是特征商店 / 数据平台——与 Snowflake / Postgres / S3 / BigQuery 做集成而不是重新实现。五、四种部署模式愿景文档给出了产品要随附的部署模式矩阵模式面向人群交付形态本地开发者模式想要 UI 的 Notebook 用户uv run pycaret-server servenpm run dev本地桌面版V2想要原生应用的分析师Electron 安装包mac / win / linux单服务器自托管小团队docker compose upKubernetes 企业版V2运维团队helm install pycaret TerraformAWS / GCP / Azure仓库中可验证的实际配置包括一键本地启动仓库根目录的 compose.yml 即git clone docker compose up入口启动 apiFastAPI 进程内 APScheduler webnginx 托管的 React UI反代/api与/wsSQLite 数据库、上传的 CSV 与拟合.pkl制品都持久化在pycaret-data命名卷中docker compose down保留数据docker compose down -v清空一切。生产形态 Composeinfra/docker/docker-compose.prod.yml 提供了 postgres16-alpine、redis7-alpine、minioS3 兼容对象存储与独立 worker 容器的生产形态参考栈UI 暴露在http://localhost:3020。注释明确说明这是自托管 OSS 安装的参考形态正式生产需自行覆盖密钥。Kubernetes / Terraforminfra/helm/pycaret/提供 Helm chart含 api / web / worker Deployment 模板与 ingressinfra/terraform/{aws,gcp,azure}提供多云模块根据 STATUS.md 的说明这两部分属于有意延后的基础设施工作leave infra for the end。六、三大工程原则引擎无状态、配置即契约、制品不可变愿景文档用三条原则定义了 4.0 与 3.x 的分水岭它们也是理解整个架构的钥匙原则 1引擎是无状态的一次调用result engine.run(config)。没有隐藏的全局变量没有setup()之后必须紧跟compare_models()的脆弱调用链。3.x 中基于ContextVar的会话级隐式状态被彻底移除Experiment实例彼此独立。仓库中的实现证据五种任务实验类ClassificationExperiment、RegressionExperiment、ClusteringExperiment、AnomalyExperiment、TimeSeriesExperiment都从 pycaret/tasks/init.py 导出且均实现为 sklearn 可组合的BaseEstimator子类。引擎的类型化内省 APIpycaret.api是无副作用设计的典范list_models、describe_model、list_metrics、describe_setup_params全部返回可 JSON 序列化的数据类不训练任何模型见 api/init.py。这套 API 直接驱动 React 侧实验向导的动态表单DynamicForm按ParamKind与引擎声明的group渲染。STATUS.md 记录了一个漫长的神类抽干god-class drain工程从 session 22 到 session 4616 个建模动词、数据访问器、内部训练状态、pull/models/get_metrics、add_metric/remove_metric、get_config/set_config、乃至setup()本身全部脱离_legacy最终删除了约 22K 行旧代码含pycaret/internal/pycaret_experiment/与五个oop.py薄包装。原则 2配置即契约一份RunConfigJSON 同时驱动 Notebook 运行、API 运行、UI 向导运行和 LLM 生成的运行。同一套 schema四个接口。在 ARCHITECTURE.md §8 中RunConfig被画成四路汇集的单一契约数据集 任务 预处理 模型选择 评估 AutoML 调参 可解释性统一进入引擎执行。目前仓库中以RunSpec见 runs/orchestrator.py承载运行所需的全部信息run_id、task、target、setup_params、plan、模型 ID、数据来源三元组等API 层接收松散 dict 存入Run.snapshot正式化为严格 PydanticRunConfig是 MVP 1 退出条件中剩余的一项。原则 3制品不可变部署有版本你永远不会修改一个已训练的管道永远不会部署一个移动的目标。每一次生产预测都可以追溯到一条具体的pipeline_artifact记录。仓库中的对应实现包括运行成功后将管道写入制品行ARTIFACT_DIR/runs/run_id/pipeline.pklArtifact表管道以(workspace_id, name)划分版本族family_idversion提升promote会递增版本号并提供POST /deployments/{id}/rollback回滚到族内任意早期版本DeploymentRegistry使用进程内 LRU 缓存管道并维护 p50/p95 滚动窗口指标见 ARCHITECTURE.md §4.4。七、成功的样子五条验收性标准愿景文档以五个可以做到的场景定义了成功每条都在仓库中有落点数据科学家 5 行训练模型pip install pycaret打开 Notebook5 行代码完成训练——以 3.x 的方式工作但更快、跑在现代 sklearn 上。仓库顶部的 canonical API 示例pycaret/init.py恰好是五步构建实验 → fit → compare → predict → save。团队 5 分钟内获得完整 Control Planegit clonedocker compose uplocalhost:3020上跑起完整控制平面对应 compose.yml。企业terraform apply部署到自家 AWS获得 SSO 审计日志并满足合规审查V2 阶段目标对应 infra/terraform/aws/。分析师零 Python 走完闭环上传 CSV → 点击 AutoML → 拿到 leaderboard → 点击 Deploy → 上线预测端点对应前端DeployFromPipelineDialog、PredictTester等组件。LLM Agent 参与实验设计读取数据集画像 → 提议RunConfig→ 用户批准 → 确定性引擎执行。这里有一个贯穿始终的关键约束LLM 输出只是建议advisory每次咨询返回suggested_config_jsonsuggested_actionreasoning_summaryrisk_flags最终由确定性引擎执行用户批准的内容——建议与执行之间始终隔着人审这道闸。八、落地现状愿景在仓库中的完成度愿景文档末尾指向了两份关键文件完整规格见 CONTROL_PLANE_SPEC.md进度与下一步见 ROADMAP.md 和 STATUS.md。截至 2026-05-08session 54实际状态是引擎 MVP-1 完成6 个在4.0.0a2中还是NotImplementedError桩的旧动词全部恢复可用核心依赖从 12 个精简到 10 个移除imbalanced-learn/category-encodersPlotly 绘图模块pycaret/plots/{classification,regression,feature,clustering,anomaly,time_series}提供 33 个独立绘图函数plot_model/evaluate_model通过每种任务各自的绘图注册表分发16 种分类图、12 种回归图、6 种聚类图、4 种异常检测图、8 种时间序列图。Control Plane V2 功能全部落地加密密钥Fernet、预测日志、试验trials、模型库、调度任务漂移监控 重训练、webhook、实验模板、管道版本化 回滚、AutoML 管道搜索、扩展角色格子、备份 / 恢复数据库表从 session 9 基线的 14 张增长到 26 张新增pycaret-clientSDK 包。测试规模引擎 330、后端 115、UI 59合计 504 项测试PyPI 引擎版本推进到4.0.0a8。有意延后的事项生产 ComposePostgres MinIO Redis Caddy TLS、K8s Helm chart 与多云 Terraform、独立services/worker容器进程内 APScheduler 对 V1 足够SSO / Electron 桌面版 / K8s 原生执行属于 V2/V3 长期项。愿景文档的收尾是一句克制而完整的话Thats the whole product.——整个产品就是一个无状态、配置驱动、Notebook 友好的 sklearn 原生引擎加上一个可自托管、覆盖从 CSV 到预测端点全闭环、带 LLM 辅助的控制平面。如果你想深入实现细节可以按这条阅读路径继续先读 VISION.md 建立产品心智再读 ARCHITECTURE.md 理解模块划分与调用链用 CONTROL_PLANE_SPEC.md 查规格用 ROADMAP.md 与 STATUS.md 对照进度最后钻进packages/engine与services/api的源码验证每一个设计决策。赞分享【免费下载链接】pycaretOpen-source, low-code AutoML platform for Python. PyCaret 4.0: sklearn-native engine React control plane.项目地址https://gitcode.com/gh_mirrors/py/pycaret点击查看免费下载相关推荐render_async部署指南在生产环境中实现稳定异步渲染render_async部署指南在生产环境中实现稳定异步渲染 render_async是一款让你能够通过AJAX异步包含页面内容的工具它可以显著提升网页加载Docker 搭建 Minecraft Forge 服务器的部署指南5 步拉起容器与 4 个常见坎Docker 搭建 Minecraft Forge 服务器的部署指南5 步拉起容器与 4 个常见坎 你和朋友开服务器第一次连接就卡在服务器列表的“ForgePyCaret Control Plane 前端开发指南apps/web 技术栈、本地开发与引擎驱动 UI设计原则PyCaret Control Plane 前端开发指南apps/web 技术栈、本地开发与引擎驱动 UI设计原则 PyCaret 4.0 将项目重构为上一篇grex开发工具链从Lint到格式化的自动化流程下一篇SwiftUI-Notes部署指南将Combine项目发布到生产环境的完整流程创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
