Karpathy：基于 Claude Code 的智能机器学习工程师代理

本文介绍 Karpathy，一个基于 Claude Code SDK 和 Google ADK 的智能机器学习工程师代理。该项目展示了如何利用 Claude Scientific Skills 实现自动化的机器学习实验流程，从数据准备到模型训练评估的全流程自动化。

项目简介

Karpathy 是一个开源的智能机器学习工程代理，由 K-Dense AI 开发维护。截至目前，该项目在 GitHub 上已获得 1.2k stars，使用纯 Python 编写。该项目致敬 Andrej Karpathy 对 AI 领域做出的杰出贡献。

项目名称虽然与 Andrej Karpathy 同名，但并非官方项目，而是社区开发者出于敬意创建的实验性项目。

核心特性

• 🤖 智能代理架构：基于 Google ADK 构建的多代理协作系统
• 🔬 科学技能集成：内置 Claude Scientific Skills 机器学习工具集
• 📝 自动实验规划：智能分解 ML 任务，创建可执行的研究计划
• 👥 专家团队协作：数据工程师、实验管理员、代码编写者等专业代理协同工作
• 🔒 安全沙箱执行：所有代码在隔离的 sandbox 目录中运行
• ⚡️ 快速环境搭建：一键配置 uv 虚拟环境和 ML 依赖包

技术栈

• Python 3.13+ - 主要编程语言
• Google ADK - 代理开发框架
• Claude Code SDK - 代码执行和工具调用
• uv - 极速 Python 包管理器
• PyTorch - 深度学习框架
• Transformers - Hugging Face 预训练模型库

安装指南

前置要求

• Python 3.13 或更高版本
• uv 包管理器
• Claude Code 已安装并认证

安装步骤

# 克隆项目
git clone https://github.com/K-Dense-AI/karpathy.git
cd karpathy

# 安装依赖
uv sync

环境配置

在 karpathy 目录创建 .env 文件：

OPENROUTER_API_KEY=your_openrouter_api_key_here
AGENT_MODEL=your_model_name_here

快速开始

运行启动脚本自动配置沙箱环境并启动 ADK Web 界面：

python start.py

启动脚本会自动完成以下操作：

1. 创建 sandbox 目录并集成 Claude Scientific Skills
2. 配置 Python 虚拟环境，安装 PyTorch、transformers、scikit-learn 等 ML 包
3. 复制 .env 文件到沙箱目录
4. 启动 ADK Web 服务

然后访问 http://localhost:8000，在左上角选择 karpathy 代理开始对话。

使用示例

与代理交互

用户：帮我训练一个图像分类模型，使用 CIFAR-10 数据集

Karpathy：我来帮你完成这个任务。首先让我创建计划，然后协调专家团队执行。

[Plan Creator] 正在创建实验计划...
[Data Engineer] 准备 CIFAR-10 数据集...
[Experiment Manager] 设计模型架构和训练流程...
[Code Writer] 实现训练代码...
[Code Executor] 运行训练并监控指标...

专家代理系统

Karpathy 包含多个专业代理，可根据任务需求灵活调用：

手动设置沙箱（可选）

如果不使用启动脚本，可以手动配置：

# 设置沙箱环境
python -m karpathy.utils

# 手动启动 ADK Web 界面
adk web

工作原理

代理架构

Karpathy 的核心是一个主代理（MainAgent），负责理解用户意图并协调专家团队：

from google.adk.agents import LlmAgent
from google.adk.models.lite_llm import LiteLlm

main_agent = LlmAgent(
    name="MainAgent",
    model=LiteLlm(model=MODEL),
    description="确保用户的机器学习请求成功完成",
    instruction=load_instructions("main_agent"),
    tools=[delegate_task],
    output_key="final_output",
)

任务委托机制

主代理通过 delegate_task 工具将子任务分配给专家代理：

async def delegate_task(prompt: str, append_system_prompt: str):
    """将任务委托给专家代理"""
    result = await query(
        prompt=f"{COMMON_INSTRUCTIONS}\n\nUser Prompt: {prompt}",
        options=ClaudeAgentOptions(
            system_prompt={
                "type": "preset",
                "preset": "claude_code",
                "append": append_system_prompt,
            },
            cwd="sandbox",
            permission_mode="bypassPermissions",
        ),
    )
    return result

沙箱隔离

所有代码执行都在 sandbox 目录中进行，确保：

• 实验之间互不干扰
• 依赖环境独立管理
• 便于复现和分享结果

项目链接

• GitHub 仓库：https://github.com/K-Dense-AI/karpathy
• K-Dense 官网：https://www.k-dense.ai
• Slack 社区：https://join.slack.com/t/k-densecommunity/shared_invite/zt-3iajtyls1-EwmkwIZk0g_o74311Tkf5g
• Claude Scientific Skills：https://github.com/K-Dense-AI/claude-scientific-skills

注意事项

免责声明：本项目与 Andrej Karpathy 无官方关联，项目名称仅作为致敬和对其 AI 贡献的尊重。

如需更强大的多代理 ML 能力，可注册 K-Dense 平台（目前处于封闭测试阶段）。