Arkor
Arkor (arkorlab) · 程式設計
Arkor 是一套為代理設計的 TypeScript 框架，也是一個用來微調開放權重模型的託管執行環境。你向編碼代理描述想要的模型，審閱它產生的訓練程式碼，在託管 GPU 上執行工作，再把結果放在相容 OpenAI 的端點後面提供服務。它的目標是 TypeScript 與 Node 開發者，這些人希望微調、評估與服務都待在跟產品同一份程式碼裡。
關於 Arkor
Arkor 是什麼
Arkor 是一套框架加上一個託管執行環境，讓你不用離開 TypeScript 就能打造自訂的開放權重模型。它的主張很簡單：像交付應用程式一樣交付模型。你撰寫具型別安全的設定。你把訓練程式碼留在自己的儲存庫裡。你從一個名為 Studio 的本機網頁介面觀看執行過程。而 AI 模型部署發生在 Arkor 的託管 GPU 上，不是你的筆電。
它要解決的問題是工作流程的破碎。大多數微調路徑會把你推進 Python 筆記本、另外的設定檔，以及活在產品之外的儀表板。Arkor 把訓練器、評估步驟與端點留在同一個專案裡。同一個編輯器。同樣的型別。同一套程式碼審閱流程。如果這些全都能留在團隊原本就從那裡交付的儲存庫裡呢？
最大的限制是成熟度。Arkor 處於 Alpha 階段，團隊也說 API 會無預警變更。價格同樣沒有公開。所以這是個該先在副專案試用、再決定要不要把正式流程押上去的工具。
開始使用
- 用
pnpm create arkor my-arkor-app建立專案，並挑一個入門範本。 - 執行
pnpm dev，這會開啟 Studio，一個位於 http://localhost:4000 的本機網頁介面。首次啟動會建立一個用完即丟的匿名工作區，所以不需要註冊。 - 告訴你的編碼代理要打造什麼模型。它會準備資料集、撰寫 TypeScript 訓練器，並在你的儲存庫裡加入評估。
- 審閱產生的訓練程式碼，接著在 Studio 點選 Run Training 並追蹤進度。
- 之後用
arkor login --oauth登入，把成果歸到你的帳號下，並部署產出的轉接器。
產品資訊
快速了解 Arkor 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 想讓微調與應用程式待在同一個儲存庫的 TypeScript 與 Node 開發者，而且他們在執行前願意審閱產生的訓練程式碼。
- 正在交付某個 AI 功能、需要自訂模型而非租用 API 的小型產品團隊，但要留意 Alpha 軟展現階段最適合先做試辦。
任務
- 客服分流：微調一個小模型，把「無法登入」這類工單轉成帶有類別與下一步動作的具型別 JSON 物件。
- 翻譯：訓練模型針對短訊息回傳 `{translation, detectedLanguage}` 配對。
- 去除個資：教模型從文字中剔除電子郵件與其他個人資料，並標記它移除了什麼。
- 提供自訂端點：把 LoRA 轉接器發佈到自己的網址，準備好時把流量導過去。
情境
- 你已經有以執行紀錄形式保存的正式流量，想把它變成誠實的訓練資料集。
- 你想在執行途中就檢查模型，而不是等工作跑完。
- 你在為裝置端模型做原型，需要一個更小、更便宜的基礎模型起步。
主要功能
用型別安全設定做單檔微調
你從單一檔案微調開放權重 LLM。一個 createTrainer({ model, dataset, lora, ... }) 呼叫會對你指定的基礎模型執行 LoRA 訓練。因為設定有型別，編輯器會在 GPU 帳單出現前就抓到錯誤。
編碼代理工作流程
Arkor 的設計核心是把工作交給 Claude Code 或 Codex 這類編碼代理。你用白話描述模型，代理就準備資料集、撰寫訓練器，並在你的儲存庫裡加入評估。你在訓練前審閱每一項變更，讓人留在流程裡。
開發循環用的本機 Studio
執行 pnpm dev 會開啟 Studio，一個位於 localhost:4000 的本機網頁介面。你審閱偵測到的訓練器，點選 Run Training，從那裡追蹤進度。它是這次執行的控制介面，而運算仍留在雲端。
能從程式碼觀看的訓練
onStarted、onLog、onCheckpoint、onCompleted、onFailed 等生命週期回呼會在執行從雲端串流回來時觸發，而且完整具型別。在 onCheckpoint 裡你能呼叫 infer({ messages })，在執行結束前就檢查模型。既然執行能向你的程式碼回報，何必再刷新儀表板？這是實實在在的差別。
相容 OpenAI 的託管端點
一次部署會給你一個位於 你的名稱.arkor.app 的 Gemma 4 端點，附上可撤銷的逐部署 API 金鑰。把它換進你應用程式目前呼叫模型的地方，因為介面與 OpenAI API 相符。
流量變成訓練資料
請求與回應會以執行紀錄保存，你可以重播、檢視，並轉成資料集。這表示你的正式流量，早已被真實使用者篩過，就成了下一份訓練集。
託管 GPU 與回復
訓練執行會以託管 GPU 工作形式進行，把指標串回你的程式碼，並保存每個檢查點。權重只在你執行微調時改變，而每次改變都是一個能檢視、服務或回復的檢查點。
優缺點
優點
- 讓微調、評估與服務待在同一份 TypeScript 程式碼裡，不必在 Python 筆記本與另一個儀表板之間來回切換。
- 型別安全的設定，以及你在花運算錢之前能先審閱的產出訓練程式碼。
- 託管 GPU 完全省去架設硬體的步驟。
- 相容 OpenAI 的端點意味著你能換用 Arkor，而不必改寫應用程式的模型呼叫。
- 每次執行都會產生能檢視或回復的檢查點，所以變更不是單向的。
缺點
- 它是 Alpha 軟體，團隊也警告 API 可能無預警變更，這讓它對正式流程來說有風險。
- 價格尚未公開，所以除了目前免費的 Alpha 期間，你無法為成本編預算。
- 真正的價值取決於搭配 Claude Code 或 Codex 這類編碼代理，所以設定比一鍵式微調服務更重。
- 入門範本全都使用同一個小型基礎模型 Gemma 4，要測試更廣泛的開放權重模型就得更多手動工作。
常見問題
Arkor 用來從 TypeScript 專案微調與部署自訂的開放權重語言模型。你向編碼代理描述模型、審閱產生的訓練程式碼、在託管 GPU 上執行訓練，並把結果放在相容 OpenAI 的端點後面提供服務。
相關內容
探索與 Arkor 相關的工具、技能與文章。
Arkor 替代方案
Forefront
Forefront · 程式設計Forefront 是一個用來打造開源 AI 的網頁平台。你可以用自己的資料微調主流的開源語言模型、評估它們的表現，再透過 API 執行，或匯出後自行架設。想要封閉式平台的便利、卻堅持要自己擁有模型與資料的開發者，就是這裡的目標客群。
Startkit
StartKit.AI · 程式設計Startkit 是一套用來打造 AI SaaS 與 AI 包裝產品的樣板。可以把它想成一個 AI 新創樣板，把枯燥的部分都先接好了：驗證、Stripe 與 Lemon Squeezy 付款、用量限制、交易型電子郵件，以及一套能與 OpenAI、Anthropic、Groq 或 Llama 溝通的 AI API 啟動套件。你複製儲存庫、設定價格，然後專心在產品中使用者真正願意付費的部分。它建構於 React 與 Tailwind 之上的 Next.js，所以大部分的樣板程式碼對你來說並不陌生。
Testim
Tricentis · 程式設計Testim 是專為網頁、行動與 Salesforce 應用程式打造的 AI 測試自動化平台，用來建立並執行端到端測試。它靠機器學習在介面變動時維持測試穩定，團隊因此少花時間修補壞掉的定位器。對於一款今天就能開始使用的自動化測試工具來說，這表現不算差。你透過在瀏覽器錄製動作來建立測試，需要更多控制時再補上 JavaScript。對忙碌的 QA 團隊來說，這是個可靠的選擇。