【ml-intern】一个能自己查文档、写代码、跑实验的AI机器学习实习生

ML Intern 是一个基于 Hugging Face 生态构建的自主式 AI 助手，它能主动查阅官方文档、研究论文、搜索数据集、调用云端算力，并最终生成、验证和提交高质量的机器学习代码——就像一位靠谱的 ML 实习生全程独立完成任务。

核心功能包括：
– ✅ 全自动研究闭环：内置对 Hugging Face 文档、模型库、数据集、训练任务及学术论文的深度访问能力；
– ✅ 智能工具调度：支持 GitHub 代码搜索、本地沙盒执行、计划编排（planning）、MCP 协议服务集成等多类工具动态调用；
– ✅ 安全可控的执行流程：敏感操作（如提交代码、运行作业）默认需人工确认，兼顾自动化与安全性；
– ✅ 长上下文自管理：自动压缩对话历史至约 170k token，并可将完整会话上传至 Hugging Face；
– ✅ 防死循环机制（Doom Loop Detector）：识别重复工具调用模式并主动注入修正提示，提升任务稳定性；
– ✅ 灵活交互模式：支持交互式聊天、单指令直行（headless）、多模型切换、流式输出开关等。

快速上手：

git clone git@github.com:huggingface/ml-intern.git  
cd ml-intern  
uv sync  
uv tool install -e .  

配置必要凭证（创建 .env 文件）：

HF_TOKEN=your_hf_token  
GITHUB_TOKEN=your_github_token  
# ANTHROPIC_API_KEY=... （可选，用于 Anthropic 模型）  

之后即可在任意目录使用：
– 启动交互模式：ml-intern
– 执行单任务（自动批准）：ml-intern "fine-tune llama on my dataset"
– 指定模型或调整参数：ml-intern --model anthropic/claude-opus-4-6 "optimize data loading"

适用场景与目标用户：
适合希望加速 ML 工程落地的开发者、研究员和工程师，尤其当你需要：反复查阅 Hugging Face 文档却记不住 API 细节；想快速复现某篇论文但卡在环境配置或数据加载；手头有新数据集，但不确定该用哪个模型微调、怎么写训练脚本；或希望把重复性技术调研+编码工作交给一个“永远在线”的助手。它不是替代开发者，而是把资深工程师的经验封装成可调度的能力，降低动手门槛。

总结：ML Intern 展现了当前 agentic 工具链在专业垂直领域的扎实落地能力——不炫技、重实用，深度绑定 Hugging Face 生态，每一步操作都可追溯、可干预、可审计。如果你常在 HF Hub 上翻文档、改 config、调 Trainer 参数，这个“实习生”值得立刻试试；建议访问其主页获取更详细信息。