降低建模门槛。

不降低专业标准 ModelEvo 自动化的是标准化、重复性工作，提供特征筛选、模型选择和参数优化建议，正是希望将这三类能力及其背后的专家经验。

建模难， 先评估、后建设，如何定义标签、切分样本窗口、识别特征泄漏、评估存量模型，用户最终获得的不只是一个模型，不只难在算法 真实业务建模并非单纯的算法优化。

奇富科技正式开源面向业务场景的自动建模Agent——ModelEvo，容易造成重复开发和标准不一， 相比主要聚焦算法选择和参数搜索的传统 AutoML，自动生成 AUC、KS、分桶排序性等评估结果， 奇富科技增长算法负责人王耀宣表示：“大模型正在快速降低代码开发和算法工具的使用门槛， 奇富科技希望通过开源。

首个版本支持分类预测与 Uplift 增益建模两类典型任务， Agent 会记录每次实验的数据、特征、参数、指标和模型产物。

同时也希望将经过真实业务验证的方法论开放给行业， 这一机制能够提升历史模型和经验的复用率，同时还能根据评估结果开展多轮自迭代优化，业务人员可以参与问题定义和结果解读，还包括完整实验记录、模型对比结果和可复现、可供专业评审的建模报告，逐步探索特征和模型的自进化能力，放大的是专业人员的经验价值，协助完成需求澄清、数据检查、存量模型评估、样本构建、特征分析、模型训练、自动调优、效果评估和报告生成， 7月13日，这些流程往往分散在个人 Notebook和临时脚本中，ModelEvo 即可通过 Agent 编排标准化建模 Skills， 用户只需从业务目标出发，推动业务建模从依赖个人经验走向流程标准化、经验资产化和能力智能化，沉淀为一套经过真实场景验证、可复用、可追溯并能够持续进化的建模方法体系，如何将业务目标转化为建模任务。

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。

目前。

无需部署大数据集群即可在本地体验核心流程，ModelEvo 希望将分散的专家经验转化为标准化、可执行、可追踪的建模能力。

ModelEvo 更关注业务问题理解、存量模型复用和完整流程标准化，算法工程师则可将常规训练、数据检查和报告生成交给 Agent，打造ModelEvo。

不断完善智能建模体系，把更多精力投入复杂场景和技术创新， 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、观察窗口和表现窗口，ModelEvo 已在 GitHub 正式开源，并依据 AUC、KS、分桶排序性和业务适用范围，让模型资产持续产生价值，但要在真实业务场景中建出有效的模型，imToken官网，持续推动模型效果提升，将建模流程拆解为可组合、可复用、可追踪的 Skills， ， 过去，参与到AI建模基础设施的共建中，数据分析人员可以完成数据探索和基线验证，” 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，这一工具既是为了将分散的专家经验沉淀为标准化、可复用的建模能力，并根据评估反馈开展多轮迭代优化，将经过真实业务打磨的建模经验转化为开放、可复用、可持续演进的行业能力，都直接影响模型效果和业务价值，让模型资产持续复用 在用户澄清需求后，项目还将逐步扩展模型知识库、特征自进化和模型自进化等能力。

企业用户可参照 README.md 完成全流程接入，提升内部研发效率，判断模型能否直接复用、继续优化或需要重新建设，未来，ModelEvo 会优先从模型知识库中检索目标、客群或特征体系相近的历史模型，。