CLI
O fluxo inteiro pelo terminal, para scripts, e o servidor MCP para assistentes.
Um binário para macOS, Linux e Windows que faz o que o dashboard faz. Código aberto: typestrict-lab/cli.
curl -fsSL https://typestrict.ai/install.sh | sh # macOS e Linux; Windows: o zip da última release
typestrict login # cole uma chave de API, ou defina TYPESTRICT_API_KEYO fluxo
typestrict train tickets.csv --goal "Qual time atende o ticket?" --watch # envia, mascara, lê
typestrict structure <dataset> # a agente transforma os dados em exemplos de treino
typestrict review <dataset> # a proposta dela: a pergunta, as respostas, os avisos
typestrict structure <dataset> --feedback "..." # ajuste
typestrict label <dataset> # quando pedido, responda os exemplos de teste no terminal
typestrict run <dataset> --watch # mostra o custo e pergunta antes de gastar o crédito
typestrict result <model> # o veredito contra o Jev
typestrict pull <model> # decision_ai.json, tokenizer.json, onnx/model_8bit.onnx| Comando | O que faz |
|---|---|
train <arquivos> [--goal] [--question] [--hf org/nome:arquivo] [--github org/nome] [--no-anonymize] [--watch] | Envia os dados e começa a preparar um treino. |
status [<id>] [--watch] | Todos os treinos com o passo e a próxima ação, ou um deles. --watch acompanha e sai com 1 se falhar. |
structure <dataset> [--question] [--feedback] | Roda a agente de estruturação, ou de novo com as decisões escolhidas ou o seu feedback. |
suggest <dataset> | Pede à agente decisões que esses dados ensinam. |
review <dataset> | Mostra a proposta da agente. |
label <dataset> | Responde os exemplos de teste um a um. |
encoders | Os modelos base e quais dá para escolher. |
credits | O seu saldo. |
run <dataset> [--base ts-moberto-150m] [--yes] [--watch] | Começa o treino. Pergunta antes de gastar, a menos que use --yes. |
result <model> | O veredito contra o Jev e até quando os arquivos podem ser baixados. |
pull <model> [--dir] | Baixa o pacote do modelo. |
mcp | O servidor MCP via stdio, para assistentes. |
Todo comando aceita --json para saída legível por máquina, e cabe em scripts e CI.
Para assistentes
typestrict mcpO mesmo fluxo como ferramentas MCP: list_trainings, get_training, wait_for_change, create_dataset,
structure_dataset, suggest_decisions, next_example_to_label, label_example, list_base_models, get_credits,
quote_training, start_training, get_model, get_audit, download_model. Começar um treino sempre passa por um
orçamento e a confirmação dele, então um assistente nunca gasta crédito sem perguntar.
As mesmas ferramentas são servidas remotamente em https://api.typestrict.ai/mcp, sem nada para instalar. O servidor
local é para quando o assistente deve enviar arquivos de qualquer tipo do seu disco e salvar o modelo no seu projeto. A
configuração de cada assistente: Assistentes de IA.