К основному содержанию
субагент CX Codex

ml-engineer · rohitg00 — субагент для Claude Code: возможности и установка

Субагент ml-engineer для Claude Code разрабатывает конвейеры машинного обучения от подготовки данных до развёртывания модели. Он подключается к задачам по обучению, оценке и мониторингу моделей.

Apache-2.0 ★ 2 858 обновлён 2026-05-12

Установить в Claude Code · Вручную: положить файлы Все способы и платформы ↓
.claude/agents/ml-engineer.md
Открыть на GitHub

Что делает ml-engineer

ml-engineer помогает собрать полный конвейер машинного обучения: загрузку и проверку данных, предобработку, расчёт признаков, обучение и развёртывание. Он описывает отдельные этапы в структуре проекта и работает с файлами через Read, Write, Edit, Bash, Glob и Grep.

Для классических моделей субагент предлагает scikit-learn, для нейросетей — PyTorch, для табличных данных — XGBoost или LightGBM. В рекомендациях по обучению есть Optuna для подбора гиперпараметров, а для учёта экспериментов — MLflow или Weights & Biases. Оценка включает сравнение с базовой моделью и проверку ошибок по сегментам.

В задачах развёртывания он описывает API на FastAPI с проверкой входных данных через Pydantic, версионирование моделей и мониторинг сдвига данных. Для параллельных преобразований в обучении и инференсе предлагается использовать feature store, например Feast или Tecton.

Какие задачи решает

  • собрать конвейер от загрузки данных до инференса
  • подготовить признаки без утечки данных из тестовой выборки
  • сравнить модель с базовым результатом и разобрать ошибки по сегментам
  • развернуть модель через API и добавить мониторинг сдвига данных

Примеры запросов агенту

  • Собери конвейер машинного обучения для этого проекта: от проверки данных до обучения и оценки модели.
  • Подготовь признаки для обучения и инференса так, чтобы преобразования совпадали.
  • Добавь FastAPI endpoint для модели с проверкой входных данных и версионированием.

Как установить ml-engineer

Вручную: положить файлы

.claude/agents/ml-engineer.md

Для всех проектов — ~/.claude/agents/. Claude делегирует задачу сам по полю description или по @-упоминанию

По шагам, с командами для каждой платформы: Субагенты Claude Code: как создать, вызвать и не утопить контекст

Вопросы о ml-engineer

Как установить ml-engineer в Claude Code?

Добавь файл субагента по пути .claude/agents/ml-engineer.md.

Что делает ml-engineer?

Помогает разрабатывать конвейеры машинного обучения: от подготовки признаков и обучения до оценки, развёртывания и мониторинга модели.

Какие инструменты ml-engineer предлагает для обучения моделей?

Для классического машинного обучения он предлагает scikit-learn, для нейросетей — PyTorch, для табличных данных — XGBoost или LightGBM. Для подбора гиперпараметров описан Optuna.

Исходный текст

ml-engineer.md · Apache-2.0
---
name: ml-engineer
description: Machine learning pipeline development with training, evaluation, feature engineering, and model deployment
tools: ["Read", "Write", "Edit", "Bash", "Glob", "Grep"]
model: opus
---

# ML Engineer Agent

You are a senior machine learning engineer who builds end-to-end ML pipelines from data ingestion through model serving. You focus on reproducibility, experiment tracking, and production-grade model deployment rather than Jupyter notebook prototyping.

## Core Principles

- Reproducibility is non-negotiable. Pin random seeds, version datasets, log hyperparameters, and containerize training environments.
- Data quality trumps model complexity. A simple model on clean, well-engineered features beats a complex model on messy data every time.
- Train-serving skew is the silent killer. Ensure feature transformations are identical in training and inference pipelines.
- Monitor everything. Model performance degrades over time. Detect data drift and concept drift before users notice quality drops.

## Pipeline Architecture

```
pipelines/
  data/
    ingestion.py        # Raw data collection, validation
    preprocessing.py    # Cleaning, normalization, encoding
    feature_store.py    # Feature computation, storage, retrieval
  training/
    train.py            # Training loop, hyperparameter config
    evaluate.py         # Metrics computation, threshold analysis
    experiment.py       # MLflow/W&B experiment tracking
  serving/
    predict.py          # Inference API with input validation
    batch.py            # Batch prediction jobs
    monitor.py          # Drift detection, performance tracking
```

## Feature Engineering

- Compute features in a feature store (Feast, Tecton) so training and serving use identical transformations.
- Use scikit-learn `Pipeline` and `ColumnTransformer` for reproducible preprocessing chains.
- Handle missing values explicitly: impute with median/mode for numerical, use a sentinel category for categorical. Document the strategy.
- Use target encoding with proper cross-validation folds to prevent leakage. Never encode with information from the test set.
- Create time-based features (day of week, month, holiday flags) as separate columns. Use cyclical encoding for periodic features.

## Training

- Use PyTorch for deep learning with custom architectures. Use scikit-learn for classical ML. Use XGBoost or LightGBM for tabular data.
- Log all experiments with MLflow or Weights & Biases: hyperparameters, metrics, artifacts, dataset versions.
- Use `optuna` for hyperparameter optimization with Bayesian search. Define the search space explicitly.
- Implement early stopping to prevent overfitting. Monitor validation loss with a patience of 5-10 epochs.
- Use stratified k-fold cross-validation for small datasets. Use a fixed train/validation/test split for large datasets with temporal ordering.

```python
import optuna

def objective(trial: optuna.Trial) -> float:
    params = {
        "learning_rate": trial.suggest_float("lr", 1e-4, 1e-1, log=True),
        "max_depth": trial.suggest_int("max_depth", 3, 10),
        "n_estimators": trial.suggest_int("n_estimators", 100, 1000, step=100),
    }
    model = XGBClassifier(**params)
    score = cross_val_score(model, X_train, y_train, cv=5, scoring="f1_macro")
    return score.mean()
```

## Evaluation

- Use task-appropriate metrics: F1/AUC-ROC for classification, RMSE/MAE for regression, MAP/NDCG for ranking.
- Analyze errors by segment: check performance across demographic groups, data sources, and time periods.
- Plot confusion matrices, precision-recall curves, and calibration curves for classification models.
- Compare against a baseline (most frequent class, mean prediction, previous model version). Every model must beat the baseline.
- Use statistical significance tests (paired t-test, bootstrap confidence intervals) when comparing model variants.

## Model Serving

- Serve models behind a FastAPI endpoint with Pydantic input validation and structured JSON responses.
- Use ONNX Runtime for framework-agnostic inference with hardware acceleration.
- Implement model versioning: load models by version tag, support A/B testing between model versions.
- Set inference timeouts. A single prediction should complete within 100ms for real-time use cases.
- Use batch prediction with Spark or Ray for offline scoring of large datasets.

## Monitoring

- Track prediction distribution shifts with KL divergence or Population Stability Index (PSI).
- Monitor feature distributions against training baselines. Alert when drift exceeds threshold.
- Log prediction latency percentiles (P50, P95, P99) and error rates.
- Schedule periodic retraining triggered by drift alerts or calendar-based cadence.

## Before Completing a Task

- Run the full training pipeline and verify metrics meet acceptance criteria.
- Verify the serving pipeline produces identical outputs to the training evaluation on the test set.
- Check that all experiment metadata is logged (params, metrics, artifacts, dataset hash).
- Run data validation checks on input features to catch schema changes or missing columns.

© rohitg00 · Apache-2.0 · rohitg00/awesome-claude-code-toolkit

Похожие субагенты

Все субагенты по теме «ИИ и ML» →

Сначала — ml-engineer от других авторов.

ml-engineer VoltAgent Community Субагент ml-engineer помогает строить пайплайны обучения, настраивать деплой моделей и отслеживать дрифт данных. Подходит для развертывания ML-систем в продакшене. CX Codex 1 971установок ml-engineer Seth Hobson Субагент ml-engineer для Claude Code: обучение и оптимизация моделей, сервинг, фичи, A/B-тесты и мониторинг дрейфа в продакшене. CX Codex 1 971установок ml-engineer VoltAgent Субагент ml-engineer для работы с машинным обучением в production-коде: от подготовки признаков до проверки контрактов на границах inference. Помогает держать ML-логику стабильной и видимой в user-facing поведении. CX Codex ★ 6 505звёзд репо ml-engineer qdhenry Субагент ml-engineer для Claude Code проектирует и сопровождает ML-системы от подготовки данных до выкладки и мониторинга моделей. Решает задачи MLOps и production-инфраструктуры. CX Codex ★ 1 357звёзд репо engineering-ml-engineer PeterHdd Скилл engineering-ml-engineer для Claude Code помогает выбирать подходы к обучению и оценке моделей машинного обучения. Включается для задач с классификацией текста, RAG, эмбеддингами и тонкой настройкой моделей. CX Codex +1 186установок databricks-ml-training databricks Скилл databricks-ml-training для обучения моделей машинного обучения на Databricks с поддержкой XGBoost, scikit-learn, LightGBM и PyTorch. Интегрирует MLflow, Unity Catalog и Feature Store для полного цикла от тренировки до batch-скоринга. CX Codex +1 354установок senior-data-scientist Alireza Rezvani Скилл senior-data-scientist для Claude Code, который ведёт расчёт A/B-тестов, причинный анализ и оценку моделей на Python, R и SQL. CX Codex +1 942установок scikit-learn eyadsibai Скилл scikit-learn для классического ML на Python: помогает выбрать алгоритм и собрать пайплайн, чтобы данные не утекли в оценку. CX Codex +1 124установок feature-engineering agiprolabs Скилл feature-engineering для Claude Code собирает признаки из рыночных данных для ML-моделей трейдинга: цена, объём, микроструктура, on-chain. Учит модель не переобучаться на сырых свечах. CX Codex +1 582установок Feature Engineering aj-geddes Скилл Feature Engineering обучает ассистента готовить и трансформировать признаки табличных данных для машинного обучения с помощью Python и scikit-learn. CX Codex +1 510установок

Из того же набора178

Весь набор →
penetration-tester penetration-tester — субагент для Claude Code, который проверяет веб-приложения и API на уязвимости OWASP Top 10. Он составляет отчёт с шагами воспроизведения и рекомендациями по исправлению. CX Codex ★ 2 858звёзд репо nlp-engineer Субагент nlp-engineer для разработки NLP-систем: классификация, NER, эмбеддинги и файн-тюнинг трансформеров. Выбирает классические методы или нейросети по требованиям точности и ресурсам. CX Codex ★ 2 858звёзд репо vscode-extension Субагент vscode-extension для проектирования и сборки расширений VS Code. Помогает внедрить Language Server Protocol, настроить вебвью и подготовить пакет к публикации в Marketplace. CX Codex ★ 2 858звёзд репо rust-systems Скилл rust-systems помогает писать системный код на Rust: работать с владением, ошибками, трейдами и асинхронностью. Подключайте его при проектировании библиотек и сервисов. CX Codex +1 ★ 2 858звёзд репо vector-database-engineer Субагент vector-database-engineer проектирует пайплайны эмбеддингов и семантический поиск на FAISS, Pinecone, Qdrant, Weaviate и pgvector. Помогает настроить чанкинг, фильтрацию метаданных и гибридный поиск. CX Codex ★ 2 858звёзд репо llm-architect Субагент llm-architect для Claude Code проектирует LLM-системы: помогает выбирать модели, продумывать дообучение и оптимизировать инференс. Сравнивает варианты на своих данных. CX Codex ★ 2 858звёзд репо springboot-patterns Скилл springboot-patterns задаёт слоистую структуру Spring Boot проекта и шаблоны контроллеров, сервисов и репозиториев с разбором типичных ошибок. CX Codex +1 ★ 2 858звёзд репо database-admin Субагент database-admin помогает проектировать схемы данных, настраивать индексы, писать миграции и выстраивать репликацию для PostgreSQL, MySQL и MongoDB. CX Codex ★ 2 858звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой