AutoForge

讓 AI 自己訓練 AI。 AutoForge 會看你的硬體和資料，挑選合適的訓練方法，然後在你自己的電腦上訓練、調參，最後把模型部署成 API 或 MCP 工具。

你可以用四種方式操作它：

方式	適合
網頁介面：autoforge gui	不想打指令
一句話訓練：autoforge train "預測客戶流失" --data data.csv	讓 AI 代理全程處理（Claude、OpenAI、Ollama 本地模型）
MCP：autoforge mcp	已經在用 Claude Desktop / Claude Code 等訂閱制 AI
CLI：autoforge run start plan.yaml --json	寫程式、自動化

安裝

pip install autoforge-trainer               # 表格、文字、時間序列、異常偵測（CPU 就能跑）
pip install "autoforge-trainer[deep]"       # 加上 Transformer、LLM 微調與 DPO、影像、語音、圖像生成（NVIDIA GPU）
pip install "autoforge-trainer[all]"        # 再加上強化學習、Claude 代理和 ONNX 匯出

需要 Python 3.11 以上。GPU 只支援 NVIDIA（CUDA）。

第一次使用

autoforge quickstart

這一個指令會依序完成：檢查硬體 → 安裝方法包 → 訓練客戶流失模型 → 註冊模型 → 預測，大約一分鐘。在全新的電腦上（只有 Python，沒有 git），包含 pip install 總共約 63 秒。

Docker

docker run --rm -p 127.0.0.1:8800:8800 -v autoforge:/data ghcr.io/honguan/autoforge:cpu             # CPU
docker run --rm --gpus all -p 127.0.0.1:8800:8800 -v autoforge:/data ghcr.io/honguan/autoforge:cuda  # NVIDIA GPU

接著打開 http://127.0.0.1:8800/。執行其他指令：docker run --rm -v autoforge:/data ghcr.io/honguan/autoforge:cpu quickstart

內建方法包

方法包	用途	硬體
tabular-classic	表格分類、回歸	CPU
text-classification	文字分類（TF-IDF、Transformer 微調）	CPU / GPU
llm-finetune	LLM 微調（LoRA / QLoRA）	GPU 8GB+
image-classification	圖片分類（timm）	GPU 建議
timeseries-forecast	時間序列預測（單一或多條序列）	CPU
anomaly-detection	異常偵測	CPU
object-detection	物件偵測（Faster R-CNN）	GPU 建議
image-segmentation	影像分割（LR-ASPP / DeepLabV3）	GPU 建議
embedding-finetune	文字向量微調（搜尋、RAG）	CPU / GPU
speech-recognition	語音辨識（Whisper 微調）	GPU 建議
llm-preference	LLM 偏好對齊（DPO）	GPU 8GB+
diffusion-lora	圖像生成 LoRA（Stable Diffusion）	GPU 8GB+
reinforcement-learning	強化學習（stable-baselines3）	CPU / GPU
recommendation	推薦系統（ALS、Item-KNN）	CPU

自己做方法包，或讓 AI 把 GitHub 上的訓練專案轉成方法包，請看方法包格式。

隱私

用 autoforge data mark <路徑> -s sensitive 標記的資料，只有本地模型（例如 Ollama）或人可以使用；雲端 AI 對一般資料只看得到統計數字。詳見 MCP 隱私。