cliffkai Autoflow Setup
为深度学习/机器学习项目创建自动化运行配置，生成 .autoflow/ 目录，供 autoflow-run skill 使用。
工作流程
Phase 1: 项目分析
扫描项目结构，识别：
- 框架类型（PyTorch/TensorFlow/JAX 等）
- 入口文件（train.py, main.py 等）
- 配置文件（config.yaml, *.json 等）
- 依赖文件（requirements.txt, environment.yaml）
检查现有环境：
- 查找 conda 环境或 venv
- 验证 Python 版本兼容性
Phase 2: 用户确认
逐项与用户确认以下内容（使用 AskUserQuestion 工具）：
必须确认：
- 项目类型（训练/推理/数据处理/混合）
- 数据集位置
- 模型位置（预训练模型/checkpoint）
- 主要运行命令
按需确认：
- 环境配置（如果检测到多个或没有可用环境）
- GPU 要求
- 输出目录
- 其他项目特定配置
Phase 3: 环境准备
根据分析结果：
- 如果存在可用环境 → 记录环境信息
- 如果不存在 → 协助创建并记录
Phase 4: 生成配置
在项目根目录创建 .autoflow/ 目录：
.autoflow/
├── project.yaml # 项目基本信息
├── env.yaml # 环境配置
├── paths.yaml # 路径配置
├── commands.yaml # 运行命令
├── hardware.yaml # 硬件要求
└── misc.yaml # 其他配置
配置文件说明
| 文件 | 内容 |
|---|---|
| project.yaml | 项目名称、描述、类型、框架、结构 |
| env.yaml | Python 版本、环境类型/名称、依赖、激活命令 |
| paths.yaml | 数据集、模型、输出、日志等路径 |
| commands.yaml | 预处理、训练、评估、推理命令 |
| hardware.yaml | GPU/CPU/内存要求、分布式配置 |
| misc.yaml | 随机种子、外部服务、注意事项 |
执行步骤
读取项目结构
使用 Glob 和 Read 工具扫描项目分析并生成问题列表
- 根据扫描结果确定需要用户确认的内容
- 对于能自动检测的信息，提供默认值让用户确认
与用户交互
- 使用 AskUserQuestion 逐步确认
- 每次最多问 3-4 个相关问题
- 提供检测到的默认选项
处理环境
- 验证或创建运行环境
- 测试关键依赖是否可用
生成配置文件
- 从
assets/templates/复制模板 - 填充用户确认的信息
- 写入
.autoflow/目录
- 从
验证配置
- 检查路径是否存在
- 验证命令格式
- 输出配置摘要供用户确认
模板文件
配置模板位于 assets/templates/：
project.yaml- 项目信息模板env.yaml- 环境配置模板paths.yaml- 路径配置模板commands.yaml- 命令配置模板hardware.yaml- 硬件配置模板misc.yaml- 其他配置模板
注意事项
- 所有路径使用绝对路径或相对于项目根目录的路径
- 敏感信息（API keys 等）不要写入配置文件，使用环境变量引用
- 配置完成后提醒用户将
.autoflow/加入.gitignore（如果包含本地路径）