yanex
一个轻量级、支持Git的实验跟踪工具，让研究可复现。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：yanex。 它的用途是：一个轻量级、支持Git的实验跟踪工具，让研究可复现。 完整的 Skill 内容见：https://321skill.com/skills/yanex/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“帮我用Yanex设置一个实验，比较学习率0.001和0.01对模型准确率的影响。” 它会引导你创建包含参数定义的config.yaml文件，并生成使用`yanex.get_param`读取参数的Python脚本模板，最后给出并行运行这两个实验的`yanex run`命令。
介绍
Yanex 解决了机器学习研究和实验过程中，参数、代码、结果难以追踪和复现的痛点。它通过一个简单的Python库和命令行工具，自动记录每次实验的运行参数、输出指标、生成的模型文件、图表，并关联代码的Git状态，确保实验的完整可追溯性。
使用方式非常直观：在Python代码中通过 yanex.get_param 获取参数，用 yanex.log_metrics 记录指标，然后通过 yanex run 命令启动脚本。Yanex会自动为每次运行创建独立的目录，保存所有相关信息。
它非常适合需要进行大量实验迭代的学术研究者、算法工程师和数据分析师。无论是调试模型参数、对比不同算法效果，还是撰写论文时需要复现结果，Yanex都能提供系统化的管理。
建议从简单的脚本开始集成，逐步利用其参数扫描、并行运行和结果对比功能。注意，它主要面向Python生态的实验管理，对于非Python项目或需要复杂UI看板的场景可能不是最佳选择。
核心特点
与重量级的MLOps平台（如MLflow）相比，Yanex极其轻量、无需服务端，开箱即用；与简单的日志脚本相比，它原生集成Git状态跟踪，确保了实验的严格可复现性，并提供了强大的命令行交互和结果对比功能。
注意事项
不适合需要复杂协作、集中式管理看板或非Python技术栈的大型企业级MLOps场景。
常见问题
Yanex和TensorBoard、WandB有什么区别？
Yanex核心是实验全生命周期管理（参数、代码、结果、环境），确保可复现；TensorBoard侧重训练过程可视化；WandB是功能全面的云平台。Yanex更轻量、离线优先、Git集成深。
Yanex能进行超参数搜索吗？
可以，支持在YAML配置文件中定义参数网格，并通过CLI进行参数扫描和并行运行。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/yanex/raw/index.md 读取 yanex 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/yanex/raw/index.md（查看排版版本）