Arkor

Hi Product Hunt! 👋

我是 Hina，Arkor 的开发者之一。

我们做 Arkor 是因为总遇到同一个缺口：给应用加一个 AI 功能很容易，但让模型适配特定任务仍然感觉像要加入一个 ML 基础设施团队。

一旦你想微调，往往就得维护一个独立的 Python 项目、把数据集转换成不熟悉的格式、配置 GPU、然后在脚本、notebook 和 dashboard 之间来回切换。

我们想让模型开发更像普通的软件开发。

有了 Arkor，工作流从你已有的 repo 内开始：
告诉 Claude Code 或 Codex 你希望模型有什么行为。你的编码智能体可以找到或准备数据集、编写转换脚本、创建 TypeScript 训练器并添加评估。审查生成的代码和改动。智能体运行 pnpm dev，Arkor Studio 在本地 localhost:4000 打开。点击 Run Training，监控 loss 和 checkpoints，测试训练好的 adapter，然后部署结果。例如，你可以给编码智能体一个这样的 prompt：Use Arkor to fine-tune a model that rewrites rough drafts as tweets in my style: https://github.com/arkorlab/arkor
Find or prepare a suitable dataset, create the TypeScript training workflow, and tell me when it is ready to review in Arkor Studio.Arkor 并不想做一种神奇的 prompt-to-model 黑盒。它是一个由开发者控制的工作流，编码智能体可以处理大部分设置，而训练代码、数据转换、评估以及最终决策依然可见且可审查。

我们特别希望听到以下方面的反馈：
编码智能体工作流是否直观
微调的那些部分仍让你感到不清晰或畏惧
在将 Arkor 用于生产模型之前，你还需要什么
接下来我们应该支持哪些模型、数据集和部署工作流
感谢你试用 Arkor。我们在发布期间都会在这里，很想知道你尝试构建了什么。🙏

数据集准备这一步会让我紧张，因为编码智能体很乐意去做，但也可能不知不觉地搞错——比如糟糕的训练/验证集划分、重复样本在两者之间泄露、或者静默去重做得不够。这些错误不会显示为错误，只会在之后表现为模型在 Arkor Studio 的 loss 曲线上看起来很棒，但在真实世界中表现不佳。

Arkor Studio 有没有什么机制能自动捕捉这些——比如标记训练/验证集之间的重叠，或者在真正开始训练、浪费 GPU 时间之前做一次合理性检查？在信任智能体驱动的准备步骤并用于生产之前，这是我希望能看得到的东西。

用 TypeScript 微调开放权重模型是挺不寻常的做法，大多数工具都依赖 Python。不过这让 JS 开发者更容易上手。目前支持哪些模型？

下面说的那个评估/泄露问题是重点，但还有第二件事让我纠结：这个工作流位于你现有的 repo 内，编码智能体把数据集和代码一起准备。那是不是意味着实际的训练样本默认会提交到 git 历史里？如果某人拿它处理真实的工单或用户消息数据集来做微调，那些真实的客户数据就会进入版本控制，除非你特意用 gitignore 忽略掉——对任何没在考虑数据处理的人来说，这就像是个容易踩的坑。

不用碰任何 Python 脚本就完成一次微调，感觉出奇地好。Claude Code 准备数据，Arkor 只需点击 "Run Training"——这种低摩擦的工作流正是我一直希望存在的。

Arkor 让微调的工作流程感觉更接近普通应用开发，而这正是大多数开发团队过去最痛苦的地方。

我最希望有可见度的部分是数据集和评估环节。如果编码智能体准备好数据和训练器，Arkor Studio 会在 GPU 时间被消耗之前，展示对训练/验证集泄漏、近似重复样本或薄弱评估覆盖的检查吗？