Tejas-TA/predikit

解决的问题

predikit 消除了将传统机器学习模型（如 scikit-learn 和 XGBoost）集成到 LLM 代理中所需的繁琐胶水代码。它自动化生成 JSON 模式，处理输入验证和类型转换，并提供一种标准化方式，将这些模型作为 AI 代理的工具进行集成。

工作原理

该库将训练好的 ML 模型封装在 ModelTool 对象中。通过定义 Pydantic 的 BaseModel 作为输入模式，predikit 会自动为 LLM API（如 OpenAI 或 LangChain）生成所需的 JSON 模式。它确保输入字段名称与模型训练特征完全匹配，并处理模型 .predict() 方法的执行，以结构化格式返回结果。

适用人群

希望将训练好的预测模型作为 LLM 驱动的代理工具使用，而无需手动编写 API 模式和验证代码的数据科学家和 AI 工程师。

主要亮点

• 自动生成功能：一行代码即可导出为 OpenAI 函数调用和 LangChain StructuredTool 格式。
• 模型集成：内置策略支持通过投票、平均或集合方式组合多个模型。
• 置信度路由：当分类器的预测置信度低于指定阈值时，可选择警告、抛出错误或路由到备用工具。
• 注册表加载器：直接集成 MLflow 和 Snowflake Model Registries，无需手动加载代码即可加载模型。
• MCP 服务器支持：可通过 CLI 或进程内服务器，通过 Model Context Protocol (MCP) 提供工具注册表服务。
• 类型安全：使用 Pydantic v2 实现严格的输入验证，并自动将 LLM 生成的字符串（如 "yes" 转为 True）进行类型转换。