zhzAI - "小脑计划" (Project Cerebellum)

告别大模型的“概率性”烦恼，为您的AI应用，亲手铸造100%可靠、极致高效的“微模型大脑”！

---

model_foundry 是一个独特的“蓝图驱动”微模型铸造厂。它提供了一套完整的、从Python训练到任何语言（如Rust、C++）部署的工业级全自动解决方案，并完美解决了scikit-learn复杂预处理器跨语言部署时最棘手的一致性难题。

核心理念：为什么不直接用LLM？

这是一个非常好的问题。在能够调用强大LLM的时代，为什么我们还要“多此一举”地铸造微模型？

答案是：因为一个真正可靠、高效、可信赖的AI产品，需要的远不止是强大的语言能力。

直接将所有任务都交给一个单一的、庞大的LLM，就像让一位大学教授去同时担任公司的CEO、前台、保安和速记员。他或许都能做，但代价是高昂的、低效的，而且在关键时刻是不可靠的。我们发现，单一LLM驱动的系统在现实世界中会面临三大“天花板”：

天花板 (Ceiling)	核心制约 (Constraint)	“小脑计划”解决方案
💸 经济学 (Economics)	API与硬件成本高昂。 每次调用都在燃烧经费，本地部署需要昂贵GPU。	成本几乎为零。 微模型大小仅为KB级，在任何CPU上瞬时完成，无需昂贵硬件。
⚡️ 物理学 (Physics)	高延迟与在线依赖。 LLM响应以秒计，且断网即“失能”。	毫秒级响应与完全离线。 提供流畅的本地体验，不受网络环境限制。
🛡️ 哲学 (Philosophy)	概率性与不可靠。 LLM无法保证100%的确定性，关键任务存在风险。	高度可靠与可预测。 在其专精领域，微模型准确率可达99%以上，行为稳定。

“小脑计划” 正是为突破这三大天花板而生。我们采用混合智能 (Hybrid Intelligence) 架构，构建分工明确的“数字大脑”：

• 代码规则 (反射弧 / Brainstem): 处理高风险、确定性指令。零成本、零延迟、100%可靠。
• 微模型 (小脑 / Cerebellum): 处理海量的、高频的、模式化的识别任务。快如闪电、极致高效、高度可靠。
• LLM (大脑皮层 / Cerebral Cortex): 只在需要深度理解、推理和生成时调用，发挥其最大价值。

model_foundry 就是您的“小脑”铸造工厂。

---

✨ 特性

• 蓝图驱动 (Blueprint-Driven): 在blueprints/下定义新的模型“蓝图”，即可轻松扩展，铸造全新架构的模型。
• 一键式自动化引擎: 由main.py和test.py统一调度，告别繁琐的手动分步执行。
• 生产级模型导出: 产出物为高性能的.onnx模型和.bin(Protobuf)预处理器数据，完美适配Rust、C++等高性能环境。
• 闭环验证体验: 每个蓝图都包含独立的交互式测试器，让您能立刻与自己铸造的模型对话。

---

🚀 快速上手

1. 环境设置

# 克隆本仓库
git clone https://github.com/your-username/model_foundry.git
cd model_foundry

# (推荐) 创建并激活一个新的虚拟环境
# python -m venv .venv && source .venv/bin/activate

# 安装所有必需的包 (我们使用uv，你也可以用pip)
uv pip install -r requirements.txt

在项目根目录创建.env文件，并填入您的Gemini API密钥（可使用多个，以逗号分隔）：

GEMINI_API_KEYS=your_api_key_1,your_api_key_2

2. 一键铸造与测试

只需两条命令，即可构建并测试仓库内预置的文本分类模型。

# 1. 铸造 (生成数据、训练、导出)
python main.py --blueprint text_classification

# 2. 测试 (交互式唤醒)
python test.py --blueprint text_classification

要铸造和测试命名实体识别模型，只需将text_classification替换为sequence_tagging_ner即可。

---

🛠️ 开发者指南：铸造一个全新的模型

以创建一个“情感分析分类器”为例：

1. 定义蓝图: 在blueprints/下创建sentiment_analysis目录，并在其中添加constitution.py (定义数据生成规则) 和 config.py (定义生产线配置)。

2. 链接训练器: 打开根目录下的 main.py，在训练阶段的逻辑中，添加对新蓝图的判断，并为其指定一个训练器（可复用现有训练器）。

   # 在 main.py 中...
   if args.blueprint in ["text_classification", "sentiment_analysis"]:
       tfidf_classifier_trainer.run(config_module)

3. 铸造与测试:

   # 一键铸造
   python main.py --blueprint sentiment_analysis
   # 创建专属测试器 (参考其他蓝图的 tester.py)
   # ...
   # 唤醒新模型
   python test.py --blueprint sentiment_analysis

本铸造厂的模块化设计，旨在让这类扩展变得轻松而愉快。