Mlops

| | codex-llm-routing | Route OpenAI Codex CLI (v0.139+) to local/third-party LLMs via Responses API proxy | quick | | ellipse-3d-anatomy-constrained | 用户特异性推导：椭圆→3D圆通过解剖约束（R=2r, d=√3r）消除方位角模糊 | ultrabrain | | evaluation/ | mlops/evaluation — 模型评估与实验追踪（含 lm-evaluation-harness, weights-and-biases） | quick | | inference/ | mlops/inference — 模型推理服务与优化（含 llama-cpp, obliteratus, outlines, vllm） | quick | | models/ | mlops/models — 模型架构（含 audiocraft, segment-anything-model） | quick | | research/ | mlops/research — ML 研究框架（含 dspy） | ultrabrain | | training/ | mlops/training — 模型训练与微调（含 axolotl, fine-tuning-with-trl, unsloth） | quick |

使用场景

• Codex CLI 本地模型路由
• 眼动追踪 3D 椭圆还原
• 完整的 mlops 工具链（评估、推理、训练、模型）

契约层 · BOUNDARY

边界：技能功能边界。

契约层 · IO_CONTRACT

输入：请求描述、上下文信息。 输出：执行结果、状态反馈。

验证清单 · VERIFICATION

• 按请求路由到正确的子域（codex-llm-routing / ellipse-3d-anatomy-constrained / evaluation / inference / models / research / training），路由依据可追溯到请求描述
• ellipse-3d-anatomy-constrained 输出满足解剖约束 R=2r 且 d=√3r，方位角模糊已消除
• 每个 mlops 子域结论可追溯到具体证据或数据源（MLOP-001：严禁编造数据）
• 每一步操作可重复执行且结果一致（MLOP-002 可复现性）
• 输入参数类型、范围、格式校验通过，无效输入被拒绝（MLOP-003）
• 返回值结构、编码、命名与契约一致（MLOP-004）
• 异常路径的错误信息包含上下文背景与恢复建议（MLOP-005）
• 改进/测试以 Golden 集合（Input/Output/Error）为单一真理来源且全部通过（MLOP-007）

核心原则 · PRINCIPLES

1. 准确为先: 所有输出必须经过事实核查，不编造数据
2. 证据驱动: 每个结论必须可追溯到具体证据或数据源
3. 可复现性: 每一步操作必须可重复，结果可验证

约束规则 · RULES

1. 输入约束: 参数类型、范围、格式必须校验
2. 输出约束: 返回值结构、编码、命名必须一致
3. 异常约束: 错误信息必须包含上下文和恢复建议
4. 安全约束: 不执行未验证的任意代码，不暴露内部状态

Golden 集合 · GOLDEN SET

• Golden Input: 请求 "将 Codex CLI v0.139+ 路由到本地 LLM 的 Responses API 代理" —— 命中子域路由正常路径
• Golden Output: 路由结果 codex-llm-routing，依据可追溯至请求描述（VERIFICATION 第 1 条）；若路由到 ellipse-3d-anatomy-constrained，则输出必须满足解剖约束 R=2r、d=√3r 且方位角模糊已消除（VERIFICATION 第 2 条）
• Golden Error: 请求描述无法映射到任一子域（codex-llm-routing / ellipse-3d-anatomy-constrained / evaluation / inference / models / research / training）时，拒绝执行并返回含上下文背景与恢复建议的错误信息（MLOP-003/MLOP-005）

Golden 集合是测试的单一真理来源。所有改进必须通过 golden 测试。

违反规则的操作视为不安全，必须拒绝或隔离。

违反任何原则的输出视为失败。原则优先级：准确 > 证据 > 可复现。

每项验证必须可执行、可记录、可复现。验证失败时记录原因和修复。

Mlops — 机器学习运维---

Genes (策略基因)

紧凑策略表示。条件→策略。需要深度时参考完整文档。

• [MLOP-001] 输出涉及数据或结论时 → 必须经过事实核查且可追溯到具体证据源，严禁编造
• [MLOP-002] 执行任何操作步骤时 → 必须确保过程可重复且结果可验证，以保障可复现性
• [MLOP-003] 接收输入参数时 → 必须严格校验类型、范围及格式，拒绝无效输入
• [MLOP-004] 生成返回值时 → 必须保持结构、编码及命名的一致性
• [MLOP-005] 发生异常或错误时 → 错误信息必须包含上下文背景及明确的恢复建议
• [MLOP-006] 处理代码执行请求时 → 禁止执行未验证的任意代码且不暴露内部状态
• [MLOP-007] 进行功能改进或测试时 → 必须以 Golden 集合（输入/输出/错误）为单一真理来源进行验证