README.md

---
title: 多 Agent 训练与调试实验室
short_description: 多 Agent 训练与调试实验室
sdk: docker
app_port: 7860
---

# 多 Agent 训练与调试小实验（完整闭环版）

一个“模型训练 + 调试 + 多 agent 协作 + 推理验证”的小而美项目：用纯 Python（标准库）实现二分类 Logistic Regression 的训练流水线，并用多 agent 编排完成闭环。
**新增升级**：支持用户上传真实的 CSV 数据集，并在训练完成后进行实际的模型推理！

数据生成/读取 → 训练 → 评估 → 自动诊断（debug）→ 自动修复（调参）→ 复训 → 生成报告与可复现产物 → **模型推理**

## 你能看到的技术点

- 多 agent 协作框架（消息总线 + 共享产物仓库 + 编排器）
- 真实数据接入闭环（支持 CSV 动态解析）
- 可复现训练（seed 固化、配置落盘、指标 JSONL 记录）
- 训练稳定性调试（NaN/发散/过拟合/欠拟合的规则诊断与自动修复策略）
- 训练产物闭环（runs/ 下保留：config、transcript、metrics、report、模型参数）
- **在线推理闭环（一键将最新模型拉起，进行数据预测）**

## 快速开始

在本目录执行：

```bash
python3 app.py
```

或者使用命令行模式：

```bash
python3 -m multi_agent_lab --scenario unstable
```

你会看到第一次训练故意使用“偏激的学习率”导致不稳定，随后 DebuggerAgent 给出修复方案并自动复训，最后输出报告。

也可以直接跑“稳定版”：

```bash
python3 -m multi_agent_lab --scenario stable
```

## 运行测试（冒烟）

```bash
python3 -m unittest discover -s tests -q
```

## Web UI 说明

执行 `python3 app.py` 启动后会在 7860 端口提供一个强大的 Web UI：
- **模型训练与多 Agent 调试**：可一键跑 stable/unstable 场景，或者上传你自己的 `.csv` 数据集进行真实场景的模型训练。
- **模型推理测试**：使用最新跑完的模型，输入逗号分隔的特征，即可预测出类别和概率。

## 目录结构

- multi_agent_lab/：核心代码
  - agents/：不同角色 agent（数据、训练、评估、调试、报告）
  - ml/：最小可用的训练与数据处理实现（logreg + SGD + CSV解析）
- runs/：每次运行自动生成（可忽略、可清理）
- tests/：最小冒烟测试
- app.py: 启动包含训练与推理双向闭环的 Web UI

## 产物说明（runs/<run_id>/）

- config.json：本次训练的最终配置（包含调试后的修复参数）
- transcript.jsonl：多 agent 消息流水（协作过程可回放）
- metrics.jsonl：每个 epoch 的训练/验证指标
- report.md / report.json：可读报告 + 结构化摘要
- model.attemptX.json：模型权重与偏置，用于下游推理