机器学习的工作充满循环：提出假设、搭建流水线、跑一遍、看指标、调整、再来。Tangle 是 Shopify 内部跑 ML 实验的地方，给工程师一个共享平台来构建和执行流水线；Tangent 是跑在它上面的自主 Agent，负责决定跑什么、怎么跑。
围绕 Tangent，Shopify 还搭了一套基于 Linux 的托管平台，让这些 Agent 能安全地持久化运行、远程工作、访问所需服务，同时全程不持有凭据。做法是容器化隔离、证书签发代理和每实例持久化存储。
项目概览
| 项目 | 信息 |
|---|---|
| 来源 | Linux.com / Shopify |
| 作者 | Alexey Volkov、Bo Li、Ben Chen、Maksym Yezhov、Pete Luferenko、Volv Grebennikov |
| 发布时间 | 2026年7月9日 |
| 核心组件 | Tangle（流水线平台）+ Tangent（自主实验 Agent） |
| 授权 | Apache 2.0（Tangle、Tangent 技能、托管平台、Tangent Shell 全部开源） |
| 关键词 | ML 实验自动化、Agent 隔离、凭证代理 |
一、Tangle：开源的可视化流水线平台
Tangle 是一个开源、平台无关的 ML 实验平台，带一个拖拽式的可视化编辑器。用户把组件拖到画布上，把输出连到输入，组成一张流水线图，然后提交执行（本地或云端均可）。
几个值得说的设计：
缓存层：跳过或复用已执行过的步骤，包括仍在执行中的步骤，所以迭代又快又省。
运行记录永久保存：包括图、组件和日志，所以流水线在多年之后依然可复现。- 共享运行与缓存：队友可以在几秒内查看、复制、修改彼此的流水线，不用再克隆一个私有 notebook、祈祷环境能对上。
对比同类工具：Tangle 与 Airflow、Kubeflow Pipelines 等开源工具相似，缓存模型和可视化编辑器是它实现快速实验循环的关键。
组件生态开放：任何容器化的 CLI 程序（任意语言）都能当 Tangle 组件，组件之间用文件交换数据，格式随意（CSV、Parquet、JSON 等）。
组合方式：像 shell 脚本、makefile 和 Unix 管道一样。
更多信息见官网 https://tangleml.com/ ，可以立即试用。
二、Tangent：自己迭代的实验 Agent
Tangent 是跑在 Tangle 之上的自主 ML 工程 Agent，用来加速你的 Tangle 实验工作流。它的思路来自 Andrej Karpathy 最近带火的 autoresearch，但把那个"单卡上的一个训练脚本"扩展成了跑在 Tangle 上的完整实验流水线——带一队专门的子 Agent、门控检查点和持久记忆。
用法是给它一个场景、一个模型、一个要优化的指标、一个数据集，它就开始迭代：分析结果、形成假设、修改流水线、提交运行、监控执行、综合学到的东西。
交多少活给它，你自己定。 Tangent 支持交互式使用，你可以只交办单步（搭这个组件、调试这次失败的运行、分析这批指标），也可以用一条命令把整个循环交出去：
tangent auto
八步循环 + 门控检查点
整个流程是一个八步循环，每一步都有门控检查点，清单上每一项都通过，Agent 才进入下一步。每个关卡还会重新加载指令和上下文，防止长时间运行时跑偏。
内存是持久化的纯文本：
| 文件 | 作用 |
|---|---|
MEMORY.md | 存当前最优配置和经验教训 |
| 每日会话日志 | 记录过程细节 |
| 每次运行的经验 | 归档到对象存储 |
三、Tangent 技能：用 Markdown 当大脑
Tangent 的"大脑"是一个技能，用 Markdown 写的。入口是一个单独的 SKILL.md，背后是一队子 Agent 技能：研究员、构建者、调试者、审查者，等等。
因为技能就是文件，所以它们可移植、可以在 PR 里审查、并且与具体 harness 无关——同一套技能能驱动你偏好的任何编码 Agent。
这种可移植性很重要，因为 Tangent 跑在开放的 Agent harness 上，而不是某个专有客户端。要加一个能力，就写一个 Markdown 文件并提交，没有二进制要构建或分发。选 Markdown 而不是配置格式或 DSL 是有意为之：它在普通 PR 里可 diff、不需要 schema 或解析器来校验、人与编码 Agent 都能原生阅读。技能文件本身就是它自己的文档。
# Tangent A skill is just Markdown. This file is the entry point; each subagent is its own Markdown file, loaded on demand. ## Commands tangent <subagent> Read agents/<subagent>.md and follow it. tangent auto Run the autonomous 8-step experiment loop. ## Subagents Agent file tangent builder agents/builder.md tangent debugger agents/debugger.md tangent researcher agents/researcher.md tangent reviewer agents/reviewer.md tangent reporter agents/reporter.md ## Auto Mode - the loop 0 Initialize -> 1 Analyze -> 2 Hypothesize -> 3 Submit -> 4 Monitor -> 5 Evaluate -> 6 Synthesize -> 7 Decide -> (loop) Each step has a gate. The agent won't advance until every item on the step's checklist passes - and it re-reads its instructions at each gate so it doesn't drift over a long run.
四、Agent 托管平台
Tangent Agent 托管平台帮用户部署持久的 Tangent 实例，这些实例与 Tangle、云服务商和其他外部服务通信。
每个 Tangent 实例是一个多 Agent 空间：一台基于 Linux 的 VM/容器，可以托管多个 Agent 应用（TUI、API、WebUI）。因为每个 Tangent 组件都作为标准 Linux 进程跑在容器里，Tangent 直接继承了成熟的 Linux 网络、存储和隔离原语，而不需要引入自定义运行时。实例数据（如 Agent 会话和记忆）在重启后持久保留，另外还有跨实例的共享记忆。
Auth Proxy（证书签发代理）
Agent 需要访问服务，但总存在 Agent 读到凭据、再泄露给 AI 服务商的风险。Tangent 的解法是在单独的容器里跑一个系统级代理：
代理拦截并修改来自 Agent 工具的 HTTP 请求
自动加上认证头
可以改写请求 URL（比如把
api.aicompany.com重定向到某个 AI 代理）要改 HTTPS 请求，就动态签发新的 SSL 证书，Agent 容器的操作系统和程序通过生成好的证书颁发机构（CA）信任这些证书
实现细节
Kubernetes 版本里，每个实例是一个 StatefulSet：一个跑着 Agent、应用和代理的容器 Pod，背后挂一个每实例的 PersistentVolume，加上一个共享内存卷挂载。
五、Tangent Shell
为了原生操作 Tangle，Shopify 做了定制的 Agent Host 镜像——Tangent Shell。
它让 Agent 远程运行，重启后保留记忆和会话，合上笔记本也能继续干活。Tangent Shell 编排多个 Agent：把请求拆成切片、分派给并行的子 Agent、通过一个持有会话的 Prime agent 来协调结果。
Tangent Shell 是照着 ML 专家的需求建的：每个会话启动时就预装了 Tangent 技能工具包和 Tangle API 工具，并被指示协助基于 Tangle 的 ML 实验——构建和优化 ML 训练流水线、测试假设、消融研究、超参数优化等。借助触发器（webhook、定时器、调度），Tangent Shell 能监控流水线执行、执行深度实验计划。Agent 知道如何在丰富的 UI 里操作，也知道如何渲染可视化产物（Markdown、PNG、HTML）。
Shell 是开源的。Agent Bundles（把提示、工具、技能、工作流、触发器打包成套）可以在不改核心代码的前提下扩展它。
六、一个真实案例
Shopify 用 Tangent 端到端重建了一个大型 reranking（重排）模型。一位工程师设定方向（试哪些特征、加什么训练数据），并在每一步审查结果；Tangent 负责构建、运行和分析实验。走完整个循环，它尝试了一连串改动，并把每一项都与上一个最好结果做对比：
| 步骤 | Agent 改了什么 | R@90% 精度 | R@95% 精度 | R@97% 精度 |
|---|---|---|---|---|
| 旧的流水线 | 之前的蒸馏训练、标准特征和数据集 | 67.3% | 54.4% | 33.6% |
| + 标准化流水线 | 迁移到可复现的训练器（效果持平，但支持快速迭代） | 69.5% | 51.9% | 35.2% |
| + 更丰富的产品特征 | 加入结构化元数据、分类法、文本描述和预测属性（单项提升最大） | 71.3% | 58.7% | 48.5% |
| + 更多更难的训练数据 | 加入搜索派生、采样和难负例对 | 75.6% | 60.2% | 43.9% |
七、开源与参与
Tangle、Tangent 技能、托管平台和 Tangent Shell 全部以 Apache 2.0 授权发布。开发在 GitHub 上公开进行，项目接受新子 Agent 技能、Agent Bundle 和核心修复的 PR。
Tangle 由它的创建者 Alexey Volkov 维护，Shopify 是项目的初始赞助方和基础设施托管方。如果你做了觉得对他人有用的子 Agent 技能或 Agent Bundle，欢迎提 PR。
八、在哪里找到 Tangle 和 Tangent
Tangle 官网：https://tangleml.com/
Tangle 源码仓库：https://github.com/TangleML/tangle
Tangle CLI 与 Tangent 技能：https://github.com/TangleML/tangle-cli
Tangent Agent 托管平台：https://github.com/TangleML/tangent
Tangent Shell：https://github.com/TangleML/tangent-shell
原文来源： Linux.com
https://www.linux.com/news/shopifys-tangle-and-tangent/
作者：Alexey Volkov, Bo Li, Ben Chen, Maksym Yezhov, Pete Luferenko, and Volv Grebennikov – Shopify
*本文由内容创作助手整理。*
版权声明
本文仅代表作者观点，不代表本网站立场。
本文系作者授权本网站发表，未经许可，不得转载。
发表评论