企业官网建设流程全解析

Uni-Mol Tools 分子性质预测实战演示指南：5 类任务训练与六大模型管理特性全测

【免费下载链接】CLI-Anything"CLI-Anything: Making ALL Software Agent-Native" -- CLI-Hub: https://clianything.cc/项目地址: https://gitcode.com/GitHub_Trending/cl/CLI-Anything

导读：本文围绕 CLI-Anything 仓库中 README_DEMO.md 所定义的一体化演示流程展开，讲解如何用真实分子示例数据一口气训练 5 种任务类型的 9 个模型，并在二分类项目（Task 1）上完整验证存储分析、模型排名、最优模型、性能历史、清理建议、模型对比 6 大管理特性。读完本文，你将掌握demo_real_examples.sh的四种启动方式、脚本的完整执行链路、每个特性的底层打分/清理算法，以及脱离脚本手动复测任一项目文件的具体 CLI 命令。

一、演示总览：为什么这是官方推荐的一体化 Demo

该演示脚本（demo_real_examples.sh）的核心目标有两个：

1. Part 1：使用examples/目录下的真实示例数据训练 5 种不同类型的分子性质预测任务；
2. Part 2：挑选模型最多的Task 1（二分类，5 个模型），逐一测试全部 6 项模型管理新特性，并额外生成测试集预测结果。

与仓库内其他演示（demo_5_tasks.sh、demo_complete.sh）相比，本脚本之所以被标注为Recommended（推荐），是因为它直接使用随工具提供的真实示例数据，无需生成数据、数据质量达到生产级，且覆盖全部 5 种任务类型与全部 6 项特性，一次运行即可完成端到端验证：

二、快速开始：四种启动方式与参数说明

脚本支持灵活的参数传入，核心用法如下：

# Option 1：同时指定 examples 目录与权重目录 bash demo_real_examples.sh /path/to/examples /path/to/weights # Option 2：只指定 examples 目录（找不到权重时自动下载） bash demo_real_examples.sh /path/to/examples # Option 3：使用相对路径（examples 位于父目录、权重位于 ../Uni-Mol 时） bash demo_real_examples.sh ../examples ../Uni-Mol/unimol_tools/weights # Option 4：自动探测（../examples 存在时直接运行） bash demo_real_examples.sh

参数约定：

• EXAMPLES_DIR（可选）：examples 目录路径；不传时脚本自动尝试../examples，若仍不存在则打印用法帮助并退出（对应脚本 demo_real_examples.sh 的逻辑）；
• WEIGHTS_DIR（可选）：权重目录路径。脚本的查找顺序为：命令行第 2 个参数 → 环境变量UNIMOL_WEIGHT_DIR→ 常见位置（../Uni-Mol/unimol_tools/unimol_tools/weights等）自动探测 → 全部失败时提示“Weights will be downloaded”（见脚本 demo_real_examples.sh）。

更多传参示例：

# 绝对路径 bash demo_real_examples.sh /home/user/unimol_tools/examples # 相对路径 bash demo_real_examples.sh ../../unimol_tools/examples # 环境变量 EXAMPLES=/opt/data/examples bash demo_real_examples.sh $EXAMPLES

权重目录同样可以通过 CLI 的--weight-dir/-w参数或UNIMOL_WEIGHT_DIR环境变量指定，对应入口实现在 unimol_tools_cli.py。

三、Part 1：5 类真实任务训练全流程

脚本采用“创建项目 → 绑定数据集 → 启动训练”三步范式，对每个任务重复执行。以下为脚本实际使用的完整命令序列（5 个任务模式相同，仅任务类型与数据路径不同）。

3.1 训练任务一览

合计：5 个任务共训练9 个模型（5+1+1+1+1）。

3.2 单任务三步命令详解（以 Task 1 为例）

# ① 创建二分类项目 python -m cli_anything.unimol_tools \ project new \ --name "task1_binary" \ --task classification \ --output-dir "$PROJECT_DIR" # ② 绑定训练集 CSV python -m cli_anything.unimol_tools \ -p "$PROJECT_DIR/task1_binary/project.json" \ project set-dataset train "$EXAMPLES_DIR/binary_classification/mol_train.csv" # ③ 启动训练（10 epoch、batch size 16） python -m cli_anything.unimol_tools \ -p "$PROJECT_DIR/task1_binary/project.json" \ train start \ --epochs 10 \ --batch-size 16

底层实现说明：

• project new会为每个项目创建独立目录并写入project.json，目录结构为output_dir/name/{project.json, experiments/, conformers/, predictions/}（见 project.py）；
• 项目配置按任务类型自动选择默认指标：二分类/多标签分类默认auc，多分类默认acc，回归/多标签回归默认mae（project.py）；
• 默认训练配置为 epochs=10、batch_size=16、learning_rate=1e-4、early_stopping=20、80/20 随机划分；
• train start通过--epochs、--batch-size、--lr、--gpus覆盖项目配置后调用run_training，并将新增 run 写回project.json（unimol_tools_cli.py）。

3.3 数据格式要求

所有训练数据均为 CSV，必须包含：

• SMILES列：分子结构；
• 目标列：各任务类型取值不同——二分类为 0/1 或 True/False，回归为浮点数，多分类为整数（0,1,2,...），多标签分类为多个 0/1 列，多标签回归为多个浮点数列。

SMILES,target CCO,1 CCCO,0 CC(C)O,1

四、Part 2：六大模型管理特性逐一测试

Task 1 之所以被选中用于特性测试，官方文档给出四条理由：5 个已训练模型最适合演示模型管理、真实分子数据贴近实际药物发现场景、二分类指标清晰（AUC、accuracy）、自带测试集可演示预测。

脚本在执行完 Task 1 首次训练后，会循环追加训练 4 个模型（for i in {2..5}，epochs=8、batch-size=16，输出重定向到/dev/null），使 Task 1 达到 5 个模型，随后依次触发 6 项测试。

特性 1：存储分析（Storage Analysis）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" storage

输出会按models / conformers / predictions三类组件统计磁盘占用、百分比，并绘制 ASCII 进度条；当存在超过 7 天的旧模型或 AUC<0.75 的低分模型时，额外给出可释放空间的清理建议（对应实现见 storage.py）。典型输出：

Total: 152.3 MB ├── Models: 145.8 MB (95.7%) ├── Conformers: 5.2 MB (3.4%) └── Predictions: 1.3 MB (0.9%)

特性 2：模型排名（Models Ranking）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" models rank

排名依据calculate_model_score计算的0~10 综合得分：默认权重下 AUC 占比 100%（weight_auc=1.0，另有训练时长、时间新鲜度权重可调），AUC 直接乘 10 归一化（models_manager.py）。状态按 AUC 阈值分级：≥0.85 为 Best/Good、≥0.75 为 Ok、≥0.65 为 Weak、否则为Poor（models_manager.py）。前 3 名分别以 🥇🥈🥉 高亮展示：

Rank Run ID AUC Score Status 1 run_003 0.92 9.2 Best 2 run_002 0.85 8.5 Good 3 run_001 0.78 7.8 Ok 4 run_005 0.72 7.2 Weak 5 run_004 0.68 6.8 Poor

特性 3：最优模型（Best Model）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" models best

底层get_best_model优先按指定指标（默认 auc）取最大值，若所有 run 均无该指标则回退到第一个 run（models_manager.py）：

Best Model: run_003 AUC: 0.92 Score: 9.2

特性 4：性能历史（Model History）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" models history

get_model_history按时间戳排序生成时间线，比较首尾 AUC 差值（阈值 ±0.05）判定趋势为improving / declining / stable，并输出最优模型、上升趋势、近期回落三类洞察；CLI 端还会按 AUC 值绘制字符柱状图（models_manager.py）：

Trend: Improving (+0.24 AUC) Best: run_003 (AUC: 0.92)

特性 5：清理建议（Cleanup Suggestions）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" cleanup

cleanup支持--keep-best（默认保留前 3 名）、--min-auc（默认 0.75）、--auto（自动执行删除）三个选项。决策逻辑（models_manager.py）为：Top N 永远保留→7 天内的近期模型保留→AUC 低于阈值且较旧的删除→其余中等表现旧模型归档：

DELETE: 2 models (58.2 MB savings) KEEP: 3 models (top performers + recent)

删除/归档由 cleanup.py 落地：删除即移除experiments/下对应 run 目录并更新project.json；归档则打包为~/.unimol-archive/{project}_{run_id}_{日期}.tar.gz，支持archive list/archive restore还原。

特性 6：模型对比（Model Comparison）

python -m cli_anything.unimol_tools -p "$PROJECT_JSON" models compare run_001 run_002

compare_models对两模型逐指标比较（auc、accuracy、precision、recall、f1_score、mcc、log_loss 及训练时长），除 log_loss 与训练时长为“越小越好”外其余均为“越大越好”，最终按“胜出指标数”决出 overall winner（models_manager.py）：

Comparing: run_001 vs run_003 Winner: run_003 (4/4 metrics)

彩蛋：最优模型预测

6 项测试结束后，脚本通过models best --json解析出最优 run_id，再用它对测试集做预测并写入predictions.csv：

python -m cli_anything.unimol_tools \ -p "$PROJECT_JSON" \ predict run "$BEST_RUN" "$EXAMPLES_DIR/binary_classification/mol_test.csv" \ --output "$PROJECT_DIR/predictions.csv"

五、手动复测与 JSON 输出

演示完成后，任何任务项目都可以脱离脚本手动验证特性（-p指向各任务project.json即可）：

# Task 1（二分类，5 个模型）— 全特性 python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json storage python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json models rank python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json models best python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json models history python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json cleanup python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json models compare run_001 run_002 # Task 2（回归） python -m cli_anything.unimol_tools -p demo_projects/task2_regression/project.json storage python -m cli_anything.unimol_tools -p demo_projects/task2_regression/project.json models best # Task 3~5 存储分析 python -m cli_anything.unimol_tools -p demo_projects/task3_multiclass/project.json storage python -m cli_anything.unimol_tools -p demo_projects/task4_multilabel_cls/project.json storage python -m cli_anything.unimol_tools -p demo_projects/task5_multilabel_reg/project.json storage # JSON 结构化输出（便于 Agent / 脚本消费） python -m cli_anything.unimol_tools -p demo_projects/task1_binary/project.json storage --json

注意：JSON 模式的--json为全局选项，需置于子命令之前，例如python -m cli_anything.unimol_tools --json -p ... storage（脚本结尾的 Next Steps 亦有此提示）。该模式由统一输出函数output()集中处理，错误时同样输出 JSON 错误对象（unimol_tools_cli.py），非常适合接入 AI Agent 做自动化流程。

若只想复测特性、跳过训练环节，可改用 test_features.sh，直接对既有project.json依次执行上述 6 项测试。

六、输出目录结构与成功标准

运行结束后生成demo_projects/目录：

demo_projects/ ├── task1_binary.json # 5 个模型 ← 被选中做特性测试 ├── task2_regression.json # 1 个模型 ├── task3_multiclass.json # 1 个模型 ├── task4_multilabel_cls.json # 1 个模型 ├── task5_multilabel_reg.json # 1 个模型 └── predictions.csv # 测试集预测结果

验证成功的 10 项标准：

• ✅ 创建 5 个 project.json 文件
• ✅ 训练 9 个模型（5 + 1 + 1 + 1 + 1）
• ✅ 在 Task 1 上测试全部 6 项特性
• ✅ 生成测试集预测结果
• ✅ 展示存储占用分解
• ✅ 展示带得分的模型排名
• ✅ 识别出最优模型
• ✅ 展示性能趋势
• ✅ 提供清理建议
• ✅ 展示模型对比结果

七、执行时间预估与注意事项

脚本的彩色输出约定：蓝色= 信息消息、绿色= 成功消息、黄色= 段落标题（对应脚本 demo_real_examples.sh 定义的info/success/section函数）。运行前会清理旧的demo_projects/目录；若显式传入的 examples 目录不存在，脚本会以红色错误信息退出。

八、配套资源与延伸阅读

• 演示脚本本体：demo_real_examples.sh、仅测特性脚本：test_features.sh
• CLI 入口与全部命令定义：unimol_tools_cli.py
• 核心模块源码：项目管理 project.py、模型管理 models_manager.py、存储分析 storage.py、清理归档 cleanup.py
• 单元测试：模型管理测试 test_models_manager.py 覆盖得分计算、排名、最优、对比、历史、删除建议全链路
• 项目级文档：agent-harness 说明、安装指南、快速上手、API 参考

延伸提示：真实示例数据位于examples/（各任务train.csv/test.csv），本仓库的demo_real_examples.sh默认从../examples或命令行参数读取。若本地已有该数据目录，bash demo_real_examples.sh <examples路径>即可一条命令跑完全部演示；训练完成后，还可基于 docs/guides 与 docs/tutorials 进一步深入分类、回归等专项教程。

【免费下载链接】CLI-Anything"CLI-Anything: Making ALL Software Agent-Native" -- CLI-Hub: https://clianything.cc/项目地址: https://gitcode.com/GitHub_Trending/cl/CLI-Anything