用訂閱制 AI 操作 AutoForge（MCP）¶

AutoForge 內建 MCP Server。Claude Desktop、Claude Code 或任何支援 MCP 的客戶端都可以直接呼叫它：分析硬體和資料、挑方法、訓練、監控、控制。用的是你已經訂閱的 AI，不需要另外付 API 費用。

1. 安裝¶

pip install -e ".[gpu]"     # 或 pip install -e .（只用 CPU）
which autoforge              # 記下完整路徑，Windows 用 where autoforge

claude mcp add autoforge -- autoforge mcp --actor ai:claude-code

編輯 claude_desktop_config.json（macOS：~/Library/Application Support/Claude/，Windows：%APPDATA%\Claude\）：

{
  "mcpServers": {
    "autoforge": {
      "command": "/完整路徑/autoforge",
      "args": ["mcp", "--actor", "ai:claude-desktop"]
    }
  }
}

存檔後重新啟動 Claude Desktop。command 要填第 1 步記下的完整路徑，虛擬環境裡的 autoforge 也一樣。

用 stdio 執行 autoforge mcp。

直接用自然語言下指令，例如：

用 /home/me/data/churn.csv 訓練一個預測 churned 欄位的模型，先看看我的硬體和資料，選最適合的方法。

AI 會依序呼叫：hardware_profile → data_profile → pack_search → pack_install → pack_info（讀方法教學）→ plan_validate → run_start → run_wait。

類別	工具
環境	`hardware_profile`、`schema_get`
方法包	`pack_search`、`pack_install`、`pack_info`、`pack_list`
資料	`data_profile`
自訂程式	`trainer_write`（AI 自己寫訓練程式）
計畫	`plan_validate`
訓練	`run_start`、`run_wait`、`run_status`、`run_list`、`run_metrics`、`run_logs`、`run_audit`
控制	`run_pause`、`run_resume`、`run_stop`、`run_retry`

所有工具都回傳 {"ok": bool, "data": ..., "error": {code, message, hint}}。

如果只想讓 AI 呼叫訓練好的模型，不讓它訓練或讀取資料，可以改用 autoforge serve-mcp：每個模型會變成一個 predict_<名稱> 工具。詳見 DEPLOY.md。

AI 透過 MCP 開始的訓練，你也可以從 CLI 看狀態和控制，反過來也一樣：

autoforge run list
autoforge run pause <run_id>
autoforge run audit <run_id>     # 看哪些動作是你做的、哪些是 AI 做的

--actor 設定的名稱會記錄在稽核紀錄裡。

用 CLI 標記資料的敏感度。只有人能標記，MCP 沒有提供這個工具，所以 AI 不能降低資料的敏感度。

autoforge data mark ~/data/customers -s sensitive   # 標記資料夾會套用到裡面所有檔案
autoforge data mark ~/data/iris.csv -s public
autoforge data list

敏感度	雲端/訂閱制 AI 透過 MCP	本地模型（`--actor ai:local:<模型>`）	人（CLI）
public	統計 + 樣本列	完整	完整
internal（預設）	只有統計，看不到任何一列原始資料	完整	完整
sensitive	拒絕：不能看、不能驗證計畫、不能訓練	完整	完整