CLI
Todo el flujo desde la terminal, para scripts, y el servidor MCP para asistentes.
Un binario para macOS, Linux y Windows que hace lo que hace el panel. Código abierto: typestrict-lab/cli.
curl -fsSL https://typestrict.ai/install.sh | sh # macOS y Linux; Windows: el zip de la última release
typestrict login # pega una clave de API, o define TYPESTRICT_API_KEYEl flujo
typestrict train tickets.csv --goal "¿Qué equipo atiende el ticket?" --watch # sube, enmascara, lee
typestrict structure <dataset> # la agente convierte los datos en ejemplos de entrenamiento
typestrict review <dataset> # su propuesta: la pregunta, las respuestas, los avisos
typestrict structure <dataset> --feedback "..." # ajústala
typestrict label <dataset> # cuando se pida, responde los ejemplos de prueba en la terminal
typestrict run <dataset> --watch # muestra el costo y pregunta antes de gastar el crédito
typestrict result <model> # el veredicto contra Jev
typestrict pull <model> # decision_ai.json, tokenizer.json, onnx/model_8bit.onnx| Comando | Qué hace |
|---|---|
train <archivos> [--goal] [--question] [--hf org/nombre:archivo] [--github org/nombre] [--no-anonymize] [--watch] | Envía los datos y empieza a preparar un entrenamiento. |
status [<id>] [--watch] | Todos los entrenamientos con su paso y próxima acción, o uno de ellos. --watch lo sigue y sale con 1 si falla. |
structure <dataset> [--question] [--feedback] | Ejecuta la agente de estructuración, o de nuevo con las decisiones elegidas o tu feedback. |
suggest <dataset> | Pide a la agente decisiones que estos datos enseñan. |
review <dataset> | Muestra la propuesta de la agente. |
label <dataset> | Responde los ejemplos de prueba uno a uno. |
encoders | Los modelos base y cuáles se pueden elegir. |
credits | Tu saldo. |
run <dataset> [--base ts-moberto-150m] [--yes] [--watch] | Empieza el entrenamiento. Pregunta antes de gastar, salvo con --yes. |
result <model> | El veredicto contra Jev y hasta cuándo se pueden descargar los archivos. |
pull <model> [--dir] | Descarga el paquete del modelo. |
mcp | El servidor MCP por stdio, para asistentes. |
Todo comando acepta --json para salida legible por máquina, y encaja en scripts y CI.
Para asistentes
typestrict mcpEl mismo flujo como herramientas 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. Empezar un entrenamiento siempre pasa por
una cotización y su confirmación, así que un asistente nunca gasta un crédito sin preguntar.
Las mismas herramientas se sirven de forma remota en https://api.typestrict.ai/mcp, sin nada que instalar. El servidor local
es para cuando el asistente debe enviar archivos de cualquier tipo desde tu disco y guardar el modelo en tu proyecto. La
configuración de cada asistente: Asistentes de IA.