跳到主要內容
maxstudioNews
產品Hacker News (Show HN)約 5 分鐘

Kapso:開源迭代學習引擎,助企業駕馭複雜資料

Leeroo 團隊開源了 Kapso,這是一個專為企業級資料設計的迭代學習引擎。它能自動化實驗、部署最佳解決方案並從每次運行中學習,有效應對大型且混亂的企業資料環境。Kapso 已在多項機器學習基準測試中展現優異效能,超越了許多頂尖模型與系統。

Kapso:開源迭代學習引擎,助企業駕馭複雜資料
圖片來源:Hacker News (Show HN)

各位 Hacker News 的讀者大家好!我們是 Alireza 和 Majid,正在開發 Leeroo (https://leeroo.com/)。我們過去曾在 LinkedIn 和 Meta 等公司為數百萬用戶的產品建構 AI 系統,現在則專注於為企業資料打造 AI 系統。

今天,我們開源了 Kapso (https://github.com/Leeroo-AI/kapso),這是一個能夠執行實驗、部署最佳解決方案並從每次運行中學習的引擎。

資料工作的本質是迭代的:調查、形成假設、實驗,並根據所學進行改進。這種由下而上的流程,是在大型、混亂的企業資料環境中快速實現有意義成果的唯一途徑。顧問在會議中收集背景資訊,或團隊預先定義業務本體以適應資料的做法,往往需要數季甚至數年才能執行,且成功機會渺茫。一個原生 AI 系統應該自動化這個過程,將學習成果累積到每一次新的調查和實作中。

舉例來說,我們的一個企業專案是協助一家公司將其舊有的資料資產遷移到一個資料湖倉(lakehouse),其中包含超過 30 個來源系統家族、數千個資料表和轉換,以及數百份 BI 報告。沒有任何個人或 AI 代理知道這個資料資產是如何連接和運作的。

唯一的方法是調查公司的程式碼庫(repos)、dbt 模型、文件和資料本身,並提出關於該資產的假設,然後進行實驗並從中學習,直到我們了解每個系統的行為方式和條件。

這種迭代工作不僅限於理解資料和系統如何協同運作,以及業務營運。開發實用的軟體也是一個迭代的過程。無論您是在優化倉庫、建構資料湖倉管線,還是預測客戶流失,您都需要進行實驗並學習在該環境中什麼方法最有效。隨著您交付更多專案,這些知識會不斷累積,其原理類似於強化學習(RL)。

在特定環境中嘗試並了解其結果之前,僅僅對文件進行 RAG(檢索增強生成)的價值很小。就像人類的工程工作一樣,實驗和學習應該在沙盒環境中進行。

我們為這類工作打造了 Kapso,您只需給它一個目標和成功標準,它就會努力找出最佳解決方案,並可部署在您的技術堆疊上。您可以在這裡觀看影片介紹:https://www.youtube.com/watch?v=W4FHlza1fRs。以下是它的運作方式:Kapso 擁有一套從過去實驗中歸納或推導出的「經驗庫」,每條經驗都帶有可信度分數、適用條件以及其背後的證據。

對於每個新實驗,一個「構思模組」會考慮先前的經驗提出想法,根據預期回報與預算重新排序,然後將排名靠前的想法發送給「實作模組」。

由於經驗庫會不斷從該環境中的過去實驗中學習,因此它提出的想法比來自大型語言模型(LLM)或 RAG 的通用假設更適合該環境。此外,每個實驗的結果都由一個「驗證模組」進行驗證,任何實驗都無法存取或作弊。正如我們在建構此類系統時發現的,有時成功標準和評估測試需要不斷演進。實驗模組可以提出更新指標和標準的建議,供驗證模組批准或拒絕。

每次運行後,learn() 函數會利用該次運行的證據更新經驗庫的分數和邊界。經驗庫的變更也可以透過使用先前和更新後的經驗庫運行其他方面相同的建構來進行 A/B 測試。這個經驗庫是建立在 Git 之上的,因此您可以與他人分享您的經驗,列出可用的經驗庫,並透過命令列介面(CLI)更新它們(kapso experience share/list/update)。

該系統與特定模型和程式碼代理無關。kapso.deploy(solution, target_stack) 遵循相同的工作流程,運行一個較短的實驗循環,以將最佳解決方案適應目標技術堆疊(例如 Docker, Modal, BentoCloud, LangGraph)。

每個領域都有一個起始的「測試框架」(harness),您可以在外掛程式中使用 /kapso:harness 或透過 CLI(kapso harness new <name>)編寫自己的領域測試框架,並透過運行實驗在此基礎上進行累積。

我們在一些公開基準測試和現場競賽中運行了 Kapso,結果如下:在關係型資料庫上的預測建模方面,Kapso 在 RelBench(Kumo AI,現為 Nvidia 和 Stanford 的基準測試)中排名第一,超越了最佳的表格基礎模型(https://star-project.stanford.edu/relbench/leaderboard/)。

這表明將學習保留在測試框架層級可以擊敗基礎表格模型,且更新經驗庫的成本遠低於重新訓練表格基礎模型。在機器學習工程(ML Engineering)方面,Kapso 在提交時於 OpenAI 的 MLE-bench 中排名第一,至今仍是頂級開源系統之一(https://github.com/openai/mle-bench/pull/107)。

在 AI 競賽中,Kapso 超越了 Sakana AI 的 ALE-Bench 作者所報告的最佳代理,並在 2026 年國際 AI 奧林匹亞競賽現場自主運行,超越了所有 471 名人類參賽者,位列前三名 AI 系統(https://ioai-official.org/ai-models-track/ioai%c2%b2-2026-re...)。

我們在 Leeroopedia (https://leeroopedia.com/) 上有一個用於機器學習和資料的公開經驗庫:其中包含約 10 萬頁透過論文和程式碼庫實驗提取的內容,每月約有 600 萬次請求,其中約 28% 來自 AI 代理。

如果您的成長型公司擁有跨多個系統和功能的複雜資料資產,並且您的資料和 AI 團隊資源緊張,我們很樂意提供協助!https://github.com/Leeroo-AI/kapso

Share

覺得值得一看?分享給朋友。

以上為 AI 自動翻譯導讀。原文版權歸 Hacker News (Show HN) 所有, 建議透過「閱讀原文」前往原始網站,以取得最完整資訊並支持原作者。

Newsletter

不用每天追,AI 重點每週寄給你

43 個來源、每 2 小時更新,太多看不完。電子報每週挑最值得看的幾則,附上 Max 的看法。

每週一封。Email 只用來寄電子報,每封信都能一鍵退訂。