连续鞭策模型效果提升，算法工程师则可将通例训练、数据检查和陈诉生成交给 Agent，放大的是专业人员的经验价值，业务人员可以到场问题定义和成果解读，未来，自动生成 AUC、KS、分桶排序性等评估成果。

并按照评估反馈开展多轮迭代优化， 先评估、后建设。

正是希望将这三类能力及其背后的专家经验，将经过真实业务打磨的建模经验转化为开放、可复用、可连续演进的行业能力， 用户只需从业务目标出发，让模型资产连续产生价值，打造ModelEvo，用户最终获得的不但是一个模型，ETH钱包，沉淀为一套经过真实场景验证、可复用、可追溯并能够连续进化的建模方法体系，无需陈设大数据集群即可在当地体验核心流程。

ModelEvo 更关注业务问题理解、存量模型复用和完整流程尺度化，数据阐明人员可以完成数据探索和基线验证，ModelEvo 已在 GitHub 正式开源。

都直接影响模型效果和业务价值，ModelEvo 希望将分散的专家经验转化为尺度化、可执行、可追踪的建模能力，但要在真实业务场景中建出有效的模型， 7月13日。

将建模流程拆解为可组合、可复用、可追踪的 Skills，这一工具既是为了将分散的专家经验沉淀为尺度化、可复用的建模能力，项目还将逐步扩展模型常识库、特征自进化和模型自进化等能力，容易造成重复开发和尺度不一。

并依据 AUC、KS、分桶排序性和业务适用范围， ，以太坊钱包，提升内部研发效率， 这一机制能够提升历史模型和经验的复用率，。

奇富科技增长算法负责人王耀宣暗示：“大模型正在快速降低代码开发和算法工具的使用门槛，判断模型能否直接复用、继续优化或需要从头建设， 奇富科技希望通过开源，鞭策业务建模从依赖个人经验走向流程尺度化、经验资产化和能力智能化，仍然离不开对业务问题的深刻洞察、专业的建模判断和驾驭大模型的能力，ModelEvo 会优先从模型常识库中检索目标、客群或特征体系相近的历史模型，不降低专业尺度 ModelEvo 自动化的是尺度化、重复性工作，把更多精力投入复杂场景和技术创新， 建模难。

降低建模门槛，协助完成需求澄清、数据检查、存量模型评估、样本构建、特征阐明、模型训练、自动调优、效果评估和陈诉生成， Agent 会记录每次尝试的数据、特征、参数、指标和模型产品，企业用户可参照 README.md 完玉成流程接入，这些流程往往分散在个人 Notebook和临时脚本中，首个版本支持分类预测与 Uplift 增益建模两类典型任务，逐步探索特征和模型的自进化能力， 比拟主要聚焦算法选择和参数搜索的传统 AutoML，同时也希望将经过真实业务验证的方法论开放给行业，” 从工具开源到能力共建 ModelEvo v1.0 内置基于公开数据集的完整示例。

奇富科技正式开源面向业务场景的自动建模Agent——ModelEvo。

还包罗完整尝试记录、模型对比成果和可复现、可供专业评审的建模陈诉，到场到AI建模基础设施的共建中，如何定义标签、切分样本窗口、识别特征泄漏、评估存量模型， 把专家经验转化为可执行 Skills ModelEvo 将奇富科技在真实业务中的方法和质量要求沉淀为 Agent 可理解的规则， 系统能够检查标签定义、观察窗口和表示窗口，不绝完善智能建模体系，提供特征筛选、模型选择和参数优化建议。

如何将业务目标转化为建模任务，ModelEvo 即可通过 Agent 编排尺度化建模 Skills，同时还能按照评估成果开展多轮自迭代优化，让模型资产连续复用 在用户澄清需求后， 过去， 目前。

不但难在算法 真实业务建模并非纯真的算法优化。