# Jettyio Skills：跨平台 AI/ML 工作流统一编排框架 > Jettyio Skills 是一个支持多 IDE 和 CLI 工具的 MCP 服务器扩展，让开发者能够在 Claude Code、Gemini CLI、Cursor、VS Code Copilot 等环境中统一构建、运行和监控 AI/ML 工作流。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-14T20:13:15.000Z - 最近活动: 2026-04-14T20:19:11.758Z - 热度: 154.9 - 关键词: AI工作流, MCP协议, Claude Code, Gemini CLI, Cursor, VS Code Copilot, MLOps, 机器学习, 跨平台, 开源工具 - 页面链接: https://www.zingnex.cn/forum/thread/jettyio-skills-ai-ml - Canonical: https://www.zingnex.cn/forum/thread/jettyio-skills-ai-ml - Markdown 来源: ingested_event --- # Jettyio Skills：跨平台 AI/ML 工作流统一编排框架\n\n## 背景：AI 开发工具的碎片化困境\n\n随着大语言模型和 AI 技术的快速发展，开发者可用的工具链日益丰富。Claude Code、Gemini CLI、Cursor、VS Code Copilot 等智能编程助手各显神通，为开发者提供了强大的 AI 辅助能力。然而，这种繁荣背后隐藏着一个现实问题：工具碎片化。\n\n每个 AI 助手都有自己的扩展机制、配置方式和运行环境。当开发者需要在不同工具之间切换时，往往需要重复配置环境、重写工作流脚本，这不仅降低了开发效率，也增加了维护成本。更严重的是，AI/ML 工作流通常涉及数据预处理、模型训练、评估、部署等多个环节，这些环节分散在不同工具中管理，难以形成统一的监控和治理体系。\n\n## Jettyio Skills 项目概述\n\n**Jettyio Skills** 是一个旨在解决上述问题的开源项目，它提供了一个统一的框架，让开发者能够在任何支持的 AI 助手环境中构建、运行和监控 AI/ML 工作流。项目采用 MCP（Model Context Protocol）服务器扩展架构，实现了跨平台的兼容性和一致性体验。\n\nMCP 是 Anthropic 推出的开放协议，用于标准化 AI 助手与外部工具、数据源之间的交互方式。通过实现 MCP 服务器，Jettyio Skills 可以无缝集成到所有支持 MCP 的客户端中，包括 Claude Code、Gemini CLI、Cursor 以及 VS Code Copilot 等主流工具。\n\n## 核心功能与技术架构\n\n### 1. 统一的工作流定义语言\n\nJettyio Skills 提供了一套声明式的工作流定义语言，开发者可以用统一的格式描述 AI/ML 任务的执行流程。无论是简单的数据转换脚本，还是复杂的多阶段机器学习流水线，都可以通过一致的语法进行定义。这种标准化大大降低了工作流的可移植性门槛，开发者可以轻松地将工作流从一个环境迁移到另一个环境。\n\n### 2. 多环境执行引擎\n\n项目内置了灵活的执行引擎，支持在本地环境、容器环境或远程服务器上运行工作流。执行引擎会自动处理依赖管理、资源分配和错误恢复，让开发者可以专注于业务逻辑而非基础设施。对于需要 GPU 加速的深度学习任务，执行引擎也提供了相应的资源调度支持。\n\n### 3. 实时监控与可观测性\n\nAI/ML 工作流的复杂性使得监控变得尤为重要。Jettyio Skills 内置了全面的监控能力，可以实时追踪工作流的执行状态、资源消耗和中间结果。开发者可以通过统一的仪表盘查看所有运行中的任务，快速定位性能瓶颈或故障点。这种可观测性对于生产环境的 MLOps 实践至关重要。\n\n### 4. 可扩展的技能生态\n\n项目采用模块化设计，将常用功能封装为可复用的"技能"（Skills）。这些技能涵盖数据加载、特征工程、模型训练、超参调优、模型评估等常见 ML 任务。开发者既可以使用社区提供的现成技能，也可以根据业务需求开发自定义技能并贡献给社区。\n\n## 集成生态与兼容性\n\n### Claude Code 集成\n\nClaude Code 是 Anthropic 推出的命令行 AI 编程助手，深受开发者喜爱。Jettyio Skills 作为 MCP 服务器，可以与 Claude Code 深度集成，让 Claude 直接调用 Skills 执行复杂任务。开发者可以用自然语言描述需求，Claude 会自动选择并编排合适的 Skills 完成工作。\n\n### Gemini CLI 支持\n\nGoogle 的 Gemini CLI 提供了另一种强大的 AI 辅助编程体验。Jettyio Skills 同样支持 Gemini CLI，确保开发者在使用不同 AI 助手时获得一致的工作流管理能力。这种跨平台的一致性对于团队协作尤为重要，不同成员可以按照自己的偏好选择工具，而工作流定义保持统一。\n\n### Cursor 与 VS Code Copilot\n\n对于习惯使用图形界面的开发者，Jettyio Skills 也支持 Cursor 和 VS Code Copilot 这两款流行的 IDE 插件。在这些环境中，Skills 的功能以命令面板或侧边栏的形式呈现，开发者可以通过点击或快捷键触发工作流，享受图形界面带来的便利性。\n\n## 应用场景与实践价值\n\n### 数据科学团队协作\n\n在数据科学团队中，不同成员可能使用不同的开发环境。数据工程师可能偏爱 Cursor 的可视化界面，算法工程师可能习惯 Claude Code 的命令行效率，而产品经理可能通过 VS Code Copilot 查看分析结果。Jettyio Skills 的统一框架让团队可以共享同一套工作流定义，消除环境差异带来的协作障碍。\n\n### MLOps 流水线建设\n\n对于正在建设 MLOps 能力的企业，Jettyio Skills 提供了一个轻量级的起点。团队可以从简单的数据处理工作流开始，逐步扩展到完整的模型训练、验证和部署流水线。统一的监控能力让团队能够及时发现并解决生产环境中的问题，提升模型服务的可靠性。\n\n### AI 应用快速原型\n\n独立开发者和初创团队可以利用 Jettyio Skills 快速搭建 AI 应用原型。预置的技能库涵盖了许多常见任务，开发者无需从零开始编写样板代码，可以直接组合现有技能实现想法。这种快速迭代能力在竞争激烈的市场环境中尤为宝贵。\n\n## 技术实现细节\n\nJettyio Skills 采用 Python 作为主要实现语言，充分利用了 Python 在 AI/ML 领域的生态优势。项目依赖管理使用 Poetry，确保环境一致性。MCP 服务器的实现遵循官方协议规范，保证与各类客户端的兼容性。\n\n项目的架构设计注重可扩展性，核心引擎与具体技能实现解耦。新的技能可以通过简单的接口定义接入系统，社区贡献门槛较低。执行引擎支持异步并发，能够高效利用计算资源处理多个工作流任务。\n\n## 未来发展方向\n\n随着 AI 助手生态的持续发展，Jettyio Skills 有望在以下方向进一步演进：\n\n**更丰富的预置技能库**：社区贡献的技能数量和质量将直接影响项目的实用价值。未来可能会建立技能市场或注册中心，方便用户发现和安装第三方技能。\n\n**云端协作功能**：目前 Jettyio Skills 主要面向个人开发者，未来可能增加团队协作功能，支持工作流版本管理、权限控制和共享执行环境。\n\n**企业级特性**：对于企业用户，可能需要增加审计日志、合规检查、与现有 CI/CD 系统集成等高级特性，满足生产环境的治理要求。\n\n## 结语\n\nJettyio Skills 代表了 AI 开发工具演进的一个重要方向：在保持工具多样性的同时实现工作流的统一治理。对于经常在不同 AI 助手之间切换的开发者，或者希望建立标准化 MLOps 流程的团队，这个项目值得关注和尝试。随着 MCP 协议的普及和社区生态的成熟，跨平台 AI 工作流管理有望成为新的行业标准。