部署：註冊、預測、服務、匯出（P6）¶

訓練好的模型有四種用法：

直接用 CLI 預測
開 REST API 給程式呼叫
變成 MCP 工具給其他 AI 呼叫
匯出到別的地方使用

1. 註冊成模型¶

autoforge model register <run_id> --name churn --description "客戶流失機率"
autoforge model list
autoforge model info churn            # churn = 最新版本；也可以寫 churn:v1

每次註冊會產生新版本（v1、v2…）。
模型會連同訓練它的程式碼一起保存：每次訓練開始時，會把方法包的程式碼複製進這次訓練的資料夾，註冊時再一併複製。之後就算方法包升級，舊模型的預測結果也不會改變。
模型卡（card.json）記錄：
來源訓練、方法、參數、指標
輸入欄位和型別，類別欄位會附上訓練時出現過的值
分類模型會附上可能的預測結果（labels）
訓練資料標記為 sensitive 時，模型卡不會記錄類別欄位出現過的值和 labels，避免資料內容外流。
只有成功的訓練能註冊。方法有提供預測程式（predictor）時，模型才能用來預測。

2. 預測¶

autoforge model predict churn --rows '[{"tenure_months": 2, "monthly_fee": 110, "contract": "month-to-month", "support_calls": 5}]'
autoforge model predict churn --file new_customers.csv

{"model": "churn:v1", "predictions": [{"prediction": 1, "probabilities": {"0": 0.025, "1": 0.975}}], "warnings": []}

送進來的每一列都會先檢查：

情況	處理方式
缺少欄位	回傳 `INVALID_INPUT` 錯誤，並列出所有需要的欄位
數字欄位不是數字	回傳 `INVALID_INPUT` 錯誤
類別值在訓練時沒出現過	照樣預測，但附上警告
多送了模型不認得的欄位	照樣預測，但附上警告

3. REST API¶

autoforge serve                                  # 所有模型，http://127.0.0.1:8000
autoforge serve -m churn -p 9000                 # 只開放 churn
MY_KEY=… autoforge serve --host 0.0.0.0 --api-key-env MY_KEY   # 開放給其他機器，需要 API key

方法	路徑	說明
GET	`/health`	健康檢查
GET	`/v1/models`	模型清單
GET	`/v1/models/{name}`	模型卡
POST	`/v1/models/{name}/predict`	傳入 `{"rows": [...]}`，回傳 `{"ok": true, "data": {"predictions": [...]}}`

curl -s localhost:8000/v1/models/churn/predict -H 'content-type: application/json' \
  -d '{"rows":[{"tenure_months":2,"monthly_fee":110,"contract":"month-to-month","support_calls":5}]}'

預設只綁定 127.0.0.1，同一台電腦以外連不進來。
綁定其他網路介面又沒設 API key 時，啟動會顯示警告。
錯誤格式和 CLI、MCP 一樣，HTTP 狀態碼：404（找不到模型）、422（輸入錯誤）、401（API key 錯誤）。

4. 讓其他 AI 呼叫模型（MCP）¶

autoforge serve-mcp                  # 所有可預測的模型
autoforge serve-mcp -m churn         # 只開放 churn

每個模型會變成一個工具 predict_<模型名稱>。
工具的輸入格式由模型卡自動產生：欄位名稱、型別、類別值。
工具說明會寫明模型預測什麼、可能的結果，以及驗證分數。
這個伺服器只能預測，沒有訓練、讀資料或安裝方法包的功能，適合交給只需要「使用」模型的 AI。

Claude Desktop 的設定：

{
  "mcpServers": {
    "my-models": { "command": "/完整路徑/autoforge", "args": ["serve-mcp"] }
  }
}

Claude Code 的設定：

claude mcp add my-models -- autoforge serve-mcp

之後直接問 AI，例如「這位客戶會不會流失：簽約 2 個月、月費 110、月繳、客服來電 5 次」，AI 就會呼叫 predict_churn。

主要的 autoforge mcp 伺服器也有 model_register、model_predict、model_info、model_list、model_export，所以 AI 訓練完可以直接註冊模型並試著預測。

5. 匯出與匯入¶

autoforge model export churn                       # bundle：zip（模型 + 程式碼 + 模型卡）
autoforge model export churn --format onnx         # ONNX（需要 pip install "autoforge-trainer[onnx]"）
autoforge model import churn-v1.zip --name churn   # 在另一台電腦匯入，成為新版本

匯出結果會附上 SHA-256，可以用來確認檔案完整。
匯入時會檢查 zip 裡的路徑，拒絕會寫到目標資料夾外面的檔案（zip slip）。
tabular-classic 0.3.0 可以匯出 ONNX。測試中確認過，ONNX 的預測結果和 sklearn 完全一致。

方法包作者：預測與匯出介面¶

在 recipe 裡宣告：

predictor: trainers/my_trainer.py           # 必須定義 load_model(model_dir) 和 predict(model, rows)
exporters:
  onnx: trainers/my_trainer.py:export_onnx  # export_onnx(model_dir, out_path, features) -> path

predict 收到 [{欄位: 值}]，回傳每一列的 {"prediction": …, "probabilities": {…}}，數值要轉成 JSON 可序列化的型別。
AI 自己寫的訓練程式只要也定義了 load_model 和 predict，註冊後一樣能用來預測。