Predictalot

predictalot

一个 HTTP 服务，两类模型，零繁琐配置。

• 基础时序模型 — 5 个零样本预测器（chronos-2、timesfm-2.5、moirai-2、toto-1、sundial-base-128m）。输入上下文窗口，即可获得分位数或样本路径预测。无需训练。提供 6 个特定于模态的端点，位于 /v1/timeseries/<type>/ 下。
• 模型生命周期 — POST /v1/models/unload 会释放所有驻留的基础模型权重和运行时缓存。预测请求正文中的 "unload": true 会在使用该模型的并发预测完成后，安排卸载该模型。
• 表格 ML — 9 个监督学习器（lightgbm、xgboost、hist-gbt、random-forest、logistic、mlp、svm-rbf、knn、naive-bayes）+ 3 个元学习器（calibrated、stacking、diversified）。使用你自行构建的特征进行训练，在服务端按 modelId 持久化，并基于最新快照进行预测。位于 /v1/tabular/ 下。
• MCP — /mcp 上的可流式 HTTP 工具。每个（FM 类型、模型）组合各有一个命名工具，另有每种类型的集成工具和列表工具。目前表格端点仅支持 HTTP。

快速开始

docker run -d --name predictalot \
  -v $HOME/predictalot-models:/models \
  -e PREDICTALOT_AUTH_TOKENS=changeme \
  -p 8080:8080 \
  psyb0t/predictalot:latest

# Zero-shot FM forecast
curl -s http://localhost:8080/v1/timeseries/univariate/forecast \
  -H "Authorization: Bearer changeme" -H "Content-Type: application/json" \
  -d '{"model":"chronos-2","context":[[10,11,12,13,14,15,16,17,18,19,20]],"config":{"horizon":5}}' | jq

# Train + persist a tabular model on your own features
curl -s http://localhost:8080/v1/tabular/train \
  -H "Authorization: Bearer changeme" -H "Content-Type: application/json" \
  -d '{"modelId":"my-model","backend":"lightgbm","target":[[100,101,99,...]],
       "features":[{"rsi":[55,58,...],"macd":[0.3,0.4,...]}],
       "config":{"mode":"direction","horizon":3,"nEstimators":400}}' | jq

# Then forecast on the latest snapshot
curl -s http://localhost:8080/v1/tabular/forecast \
  -H "Authorization: Bearer changeme" -H "Content-Type: application/json" \
  -d '{"modelId":"my-model","features":[{"rsi":[58],"macd":[0.4]}]}' | jq

# Release all resident foundation-model memory when it is no longer needed
curl -s -X POST http://localhost:8080/v1/models/unload \
  -H "Authorization: Bearer changeme" | jq

文档

文档	内容
docs/timeseries.md	基础时序 API。包含全部 5 个模型（能力、各模型特有的注意事项，以及各模型的推荐用途）、全部 6 种预测类型、带有 weights 和 memberOverrides 的各类型集成、逐次调用的 extra 扩展项，以及 /models 列表。
docs/tabular.md	表格 ML API。包含全部 9 个后端（各后端的推荐用途）、3 种模式（方向／数值／分位数）、tier-1/2/3 配置项、3 个元学习器（calibrated／stacking／diversified）以及存储布局。
docs/mcp.md	MCP 可流式 HTTP 服务：工具命名、参数和当前支持范围（仅 FM）。
docs/configuration.md	所有 PREDICTALOT_* 环境变量。
docs/architecture.md	sundial 多虚拟环境边车模式、CPU 与 CUDA 镜像、多阶段构建。
docs/accuracy.md	在学术和真实世界数据集上进行的基准 sMAPE 与延迟测试。客观总结，包括表现不佳的模型。
docs/errors.md	错误约定：400 / 401 / 404 / 413 / 422 / 503 响应格式。

CHANGELOG.md 记录各版本的变更。

Agent 集成

技能适用于任何能读取 .agents/skills/ 的 Agent（例如 peen），并且 可原生安装到下方列出的客户端中。

Claude Code

claude plugin marketplace add psyb0t/agents
claude plugin install predictalot@psyb0t

Claude Code 会提示输入 predictalot URL；如果启用了身份验证，还会提示输入令牌。令牌会 存储在操作系统密钥链中。

Codex

codex plugin marketplace add psyb0t/agents
codex plugin add predictalot@psyb0t

通过市场安装后，该技能可作为 $predictalot:predictalot 调用。Codex 也会在任何包含 .agents/skills/ 的仓库中自动发现该技能，无需安装；在这种情况下，可直接通过 $predictalot 调用。

OpenClaw

每次发布时，都会将该技能发布到 ClawHub：

openclaw skills install @psyb0t/predictalot

对于使用本地 stdio 的 MCP 客户端，@psyb0t/predictalot 插件可桥接到 predictalot 的 /mcp 端点：

openclaw plugins install clawhub:@psyb0t/predictalot

然后设置 PREDICTALOT_URL（如果服务需要身份验证令牌，还需设置 PREDICTALOT_AUTH_TOKENS）。

许可证

代码：WTFPL（参见 LICENSE）。.agents/plugins/predictalot/ 下的 MCP 插件采用 MIT 许可证（其自身的 LICENSE）。 基础模型保留其上游许可证——chronos-2 / timesfm-2.5 / toto-1 / sundial-base-128m：Apache 2.0；moirai-2：CC-BY-NC-4.0（非商业用途）。表格后端采用其上游许可证——lightgbm / xgboost / scikit-learn：宽松许可。商业使用前请逐一审查。