Bud Ecosystem 发布 Decision Studio，本地运行开源决策模型

在你自己的电脑上运行开放决策模型。
给模型一个情境和几个问题；在毫秒内为每个答案获得校准后的概率。
类似 Jev 的“System One”模型的 LM Studio，来自 Bud Ecosystem。

文档：用户手册、安装、指南、API 参考和开发者文档位于 site/docs/，由 site/docs-src/ 中的 Markdown 构建而成。在浏览器中打开 site/docs/index.html，或提供 site/ 文件夹。

安装

一行命令，完成后应用会自动打开：

或从 最新版本 下载：

NVIDIA GB10（DGX Spark）和其他 ARM64 Linux 电脑使用 arm64 / aarch64 文件。

首次运行时会发生什么

1. 它会检查你的电脑：显卡、处理器、内存和可用磁盘空间。
2. 它会询问模型在哪里运行：GPU（有 GPU 时推荐）或处理器。每个选项都会说明它会安装什么以及有多大。
3. 它会自行安装引擎：一个私有的 Python，带有与你的硬件匹配的 PyTorch 构建，以及所有模型库。无需其他设置，也不会在应用自己的文件夹之外安装任何东西。
4. 你选择要下载哪些模型。在你选择之前不会下载任何内容；已为你勾选了两个适合你电脑的模型。它们会在后台一次下载一个。

你之后可以在 System 页面在 GPU 和处理器之间切换。

它的功能

决策模型不写文本。你给它一个情境（一封电子邮件、一张支持工单、一行日志、一个 JSON 对象）和带类型的问题，它会在一次快速处理中返回你允许的每个答案的概率。问题有六种：

页面

Playground。写一个情境和问题（用 New 从空白开始，或从示例开始），按 Decide，然后以图表形式阅读每个答案。模型按钮（Ctrl+L）可加载任何模型；JSON 和 Code 标签页显示确切的请求。	模型。 一张表里包含十一个开放模型：每个模型擅长什么、其规模、读取什么，以及其已发布结果与 Jev 的对比。一键下载、加载和弹出。
评估。 在多个模型上对许多带标签的示例运行一个问题：排行榜、校准和阈值图表，以及一条建议。	历史。 每个决策，无论是来自 Playground 还是任何程序，都保存在这台电脑上：按模板、模型、答案或时间筛选，查看哪些需要人工处理，为正确答案打标签，在另一个模型上重新运行。
模板。 可复用的决策，带有变量、默认模型和设置。每次保存都是一个版本；在切换之前，在真实流量上比较两个版本。	API。 服务器地址以及可直接运行的 curl、Python、JavaScript 和官方 TypeSafe SDK 示例。
训练。 用一张示例电子表格，在这台电脑的 GPU 上教会模型你自己的决策。它会留出一些示例，只有当新模型在这些示例上更好、且在没有变得更差于一般决策时，才会添加新模型。工作原理。

整个流程的短视频：docs/media/demo.mp4。

模板和历史

模板是你复用的决策：它的问题、填充情境的变量（一条消息、一个计划层级、一张截图）、默认模型和设置。它可以在任何模型上运行。每次保存都是一个新版本，因此代码可以固定 support-triage@3、跟随 support-triage@production，或采用最新版本。每个 Playground 场景的入门模板都已包含。

历史将每个决策保存在这台电脑上，无论它来自哪种方式：情境、问题、答案、模型、版本和时间。从那里，你可以为正确答案打标签，将决策转化为测试示例，在另一个模型上重新运行，或查看版本 3 的答案与版本 2 在相同输入上的对比。

# Once: a template with two variables (PUT again with changes and it becomes version 2)
curl -s -X PUT http://127.0.0.1:8420/v1/studio/templates/support-triage -H 'content-type: application/json' -d '{
  "name": "Support triage",
  "variables": {"customer_message": {"type": "string"},
                "account_tier": {"type": "string", "enum": ["free", "pro", "enterprise"], "default": "free"}},
  "state": {"tier": "{{account_tier}}", "message": "{{customer_message}}"},
  "questions": {"department": {"type": "choice", "instructions": "Which department should handle this?",
                               "criteria": ["billing", "technical", "sales"]},
                "urgent": {"type": "noul", "instructions": "Does it need an answer today?"}},
  "model": "laya", "settings": {"act_threshold": 0.85}
}'

# Every time: fill in the variables
curl -s http://127.0.0.1:8420/v1/studio/decisions -H 'content-type: application/json' -d '{
  "template": "support-triage",
  "variables": {"customer_message": "We were billed twice. Refund it today.", "account_tier": "pro"}
}'
# -> {"id": "dec_...", "act": false, "needs_review": ["urgent"], "answers": {...}, "template": {"id": "support-triage", "version": 1}, ...}

每个答案都会说明它是否足够确定可以采取行动（其确定性对照模板的阈值），因此你的代码可以自动执行或询问人工。完整参考，包含每个字段、规则和错误：docs/studio-api.md。

教会模型你自己的决策

当模型的决定方式与你的团队不同时，展示给它看。训练页面接收一张过往决策的电子表格（一列文本，每个答案一列），推荐一个模型，并使用 LoRA 在这台电脑的 GPU 上训练它，LoRA 是原始权重旁边的一个小型变更文件。只有当新模型在它从未见过的示例上更好、在它从未训练过的一般决策上没有变得更差，并且在保存和重新加载后答案完全相同时，才会保留新模型。训练后的模型随后会出现在 Playground、Evaluate 和你的代码中，与其他模型并列，导出和导入训练模型可在电脑之间移动它。

每个模型都由工作室自己在 NVIDIA GB10 上训练，并在训练前留出的示例上进行测量：

训练需要 NVIDIA RTX 30 系列或更新（包括 GB10）或 Apple M2 或更新；Intel Arc 和 Core Ultra、Linux 上的 AMD 以及较旧的 NVIDIA 显卡为实验性支持。工作原理、检查内容以及每次运行：docs/trainer/README.md 和 docs/trainer/RESULTS.md。

十一个模型

每个模型都附带为其制作的示例，经过检查以给出正确答案：CLM 8B 以一个网络代理选择下一步行动开场，Lev 以一个包含 77 个选项的问题开场，Kev 4B 以一个带例外情况的退款政策开场，Laya Multilingual 以一条日语消息开场，Jev-Omni 以一张收据照片开场。在 Playground 中选择模型会显示其自带的示例（除非你自己写了示例），Models 页面在 Try it 下列出它们。scripts/model-examples.py 检查每个模型是否仍按预期回答其示例。

权重来自各发布者的 Hugging Face 仓库，并保留在标准的 Hugging Face 缓存中，与你的其他工具共享。每个模型保留自己的许可证；应用中的模型页面会链接到它。

从代码中使用

该工作室使用 TypeSafe 的 Jev API 以及基于它构建的网关格式，因此为 Jev 编写的代码只需更改基础 URL 即可运行。应用打开时，服务器位于 http://127.0.0.1:8420（API 页面显示确切地址）。

curl -s http://127.0.0.1:8420/v1/systemone -H 'content-type: application/json' -d '{
  "model": "laya",
  "state": "The package arrived crushed and the screen is cracked.",
  "questions": {
    "damaged": {"type": "noul", "instructions": "Was the item damaged?"},
    "team": {"type": "choice", "instructions": "Who should handle this?",
             "criteria": {"returns": "refunds and replacements", "shipping": "carriers and delivery", "sales": null}}
  }
}'

# pip install typesafe-sdk
from typesafe_sdk import TypeSafeClient, Noul

client = TypeSafeClient(api_key="local", base_url="http://127.0.0.1:8420", model="laya")
res = client.system_one(state="My card was charged twice for the same order.",
                        questions={"billing": Noul(instructions="Is this a billing problem?")})
print(res.answers["billing"].noul)   # probability of yes

扩展，在每个端点上均被接受：multi、rank 和 number 问题类型；"media" 用于图像、音频和视频；"settings": {"temperature": 2.0} 用于校准；以及标头 X-Basal-Extensions: 1 以同时接收 decision、top_probability、probabilities 和 latency_ms。没有该标头时，响应完全符合 TypeSafe 的格式。交互式 API 文档位于 /docs。

决策保存在 History 中，来自每个端点，默认保留 30 天（可在 History 页面更改）。响应在 x-basal-decision-id 标头中指明所存储的决策。若某次调用不保留任何内容，请在正文中发送 "store": false（TypeSafe 自己的服务器会忽略它，因此同一代码可对两者运行）或标头 X-Basal-Store: 0；"answers_only" 保留答案但不保留情境。标记为 sensitive 的变量用于决策，且从不写入磁盘。

默认安全。该工作室仅在此计算机上监听；浏览器中打开的其他网站无法向其发送请求，更改（加载、下载、删除）需要标头 X-Basal-Client: 1。要为其他机器提供服务，请使用 --host 0.0.0.0 启动并设置 BASAL_API_KEY；客户端随后发送 Authorization: Bearer <key>。

已测试

从源码运行

git clone https://github.com/BudEcosystem/Bud-Decision-Engine.git && cd Bud-Decision-Engine
./install.sh          # detects your hardware, asks where models run, installs everything into .venv (Windows: install.ps1)
./run.sh              # then open http://127.0.0.1:8420

构建桌面应用：cd desktop && npm install && npx tauri build（详情见 desktop/README.md）。运行测试：pip install -r requirements-dev.txt，然后 pytest tests/test_conformance.py 和 python scripts/e2e.py。

它是如何构建的

desktop app (desktop/, Tauri)   first run: installer/engine.py detects the hardware and installs PyTorch + libraries
      |                          later runs: starts the studio server and shows it in the window
      v
app window or browser (ui/) --HTTP--> studio server (basal/server.py, FastAPI; never touches the GPU)
                                         +- API formats (basal/api_compat.py): TypeSafe, OpenRouter, Vercel
                                         +- download queue (basal/hub.py): one at a time, smallest first
                                         +- where models run (basal/config.py): the device chosen in setup
                                         +- worker manager (basal/workers.py)
                                         v
                              one process per loaded model (basal/worker.py) --> GPU or processor
                                         +- an adapter per model family (basal/adapters/)

• 每个已加载模型一个进程。 弹出模型会结束其进程，这是归还每一字节内存的唯一方式；一个模型崩溃不会拖垮整个 studio。
• 适配器将一种通用请求格式（basal/contract.py）转换为每个模型自己的库，并返回原始概率；contract.build_answers 将它们转换为答案，因此置信度对每个模型含义相同。
• 界面是纯 HTML、CSS 和 JavaScript，无需构建步骤。DESIGN.md 描述了它的设计系统。

故障排除

• macOS 提示应用来自未识别的开发者。 右键点击应用并选择“打开”一次，或使用单行命令安装，可避免该警告。
• Windows SmartScreen 对安装程序发出警告。 选择“更多信息”，然后选择“仍要运行”。单行命令可避免该警告。
• 模型无法加载。 通常需要更多内存：从侧边栏或 System 页面弹出其他模型。每个模型的日志在其 Models 页面（View log）。
• 下载速度慢。 Hugging Face 限制匿名下载；运行一次 hf auth login 并重启应用。
• 设置未完成。 按“重试”；Details 日志会说明哪一步失败。设置不会更改应用自身文件夹之外的任何内容。
• 将模型移到另一个处理器。 打开 System 页面，然后再次运行设置。