DSH Plugins
返回列表
⚙️

dsh-ai-model-builder

工作流 更新于 2026.10.26

在终端中运行以下命令:

dsh plugin install kalozamf233/dsh-ai-model-builder

将以下提示词粘贴到 DeepSeek Harness 对话框中:

在 DeepSeek Harness 中执行 dsh plugin install kalozamf233/dsh-ai-model-builder,即可从 https://github.com/kalozamf233/dsh-ai-model-builder 安装 AI 模型构建器插件。

插件介绍

手写 PyTorch 多层感知机时,层数、维度和超参往往要在代码里反复改,训练脚本还要单独搭环境。AI 模型构建器把这件事收进 DSH 左侧栏:用表单描述网络结构和数据用途,点一次「运行」就能在同一路径产出 model.py、params.json 与 architecture.json,架构与参数量一目了然。

面板覆盖从结构到落地的完整链路。你可以设定学习率、输入输出维度、每层神经元数和隐藏层数量(1–128),可选填写 CSV 或图片目录等数据集路径;留空时 Agent 会用合成演示数据完成流程。配置可持久保存,「确认保存」写入本地 config,便于反复迭代同一套实验设定。

「训练」会新建 Agent 工作会话,工作目录落在模型文件所在目录,并自动注入训练指令:检查或安装 torch、numpy、pandas、scikit-learn,编写 train.py、按数据训练、保存 model_weights.pt 并汇报指标,面板随后切到该会话便于实时观察。Node 端提供同源 HTTP 接口读写配置、生成架构与触发训练,便于与宿主 UI 协同。

适合想快速试 MLP 原型、不想先写样板训练代码的学习者与实验者,也适合在 DSH 里把「定架构 → 生成代码 → 交给 Agent 训练」串成一条工作流的产品与算法同学。

使用场景

  • 在侧边栏快速搭好多层感知机并导出 model.py 与 params.json
  • 留空数据集路径,用合成数据走通生成到训练的完整演示
  • 改层数与神经元后一键重新生成架构并新开 Agent 会话训练

适合人员

  • 想少写样板代码、快速验证 MLP 想法的初学者
  • 在 DSH 里把建模与训练串成一条流的实验者
  • 需要图形化调参并交给 Agent 执行训练的同学