Oryxflow：为 Python 与 Claude Code 提供可复现的数据分析流水线

Oryxflow 是一个面向 Python 数据科学工作流的轻量级库，核心思路是把一份分析脚本自动转成「可追溯、按需重算、带缓存」的流水线。它不需要服务器、数据库、配置文件或账号，安装方式为 pip install oryxflow。该库同时附带一个 Claude Code 插件，以「自动激活技能」的形式把缓存与血缘追踪机制带入 AI 编码代理的工作流。

试图解决什么问题

开发者在长期迭代的数据分析项目中，常见的痛点并不是「写不出代码」，而是「不信任当前的结果」：

• 下游一行改动导致上游耗时数十分钟的数据拉取被重新执行，要么等，要么手写 if os.path.exists(...) 这类容易失效的缓存。
• 修改了一个特征，却忘了重新生成某个缓存文件，模型在陈旧数据上训练完成，过程不报错，数字只是「悄悄错了」。
• 目录里堆满 features_v3.pkl、features_v3_final.pkl、features_v3_final_FIXED.pkl，没人记得每个文件对应哪组参数。
• 数月后无法回答「model_final_v3.pkl 是哪段代码、哪批输入跑出来的」。
• AI 编码代理写出的 pandas、scikit-learn 代码看起来合理，但在长会话中会丢失血缘与缓存状态，悄悄基于过期结果继续构建。

Oryxflow 把这类问题定义为流水线层面的「信任」错误，并主张随项目与 AI 生成代码量增加，这类错误会持续放大。

核心能力

• 默认可复现：每个输出都与产生它的任务、参数和代码版本绑定，「能否复现上周的结果」变成机械化的「是」。
• 可查询的血缘：记录「何时、用什么参数与代码运行、为何重算」，把「是否过期」从猜测变成查询。
• 精确重算：改一个参数、数据输入或任务代码，只有受影响的输出会被重建，避免「用旧特征评估新模型」。
• 免去存储样板：用户无需命名文件、拼路径或手工关联参数；self.save(df) 写入，flow.outputLoad() 读取，存储路径由任务与参数自动推导。
• 速度与成本收益：已完成步骤从缓存加载，编辑–运行循环从分钟级降到秒级；AI 代理也无需再为已完成的昂贵工作消耗时间与 token。
• 面向 AI 代理的可靠性：同一套缓存与血缘日志成为代理跨会话的「记忆」；配套的 Claude Code 插件会把它打包为自动激活技能，确保代理正确使用缓存而非信任过期状态。

30 秒上手示例

下面这段官方示例展示了如何用 Oryxflow 跑两个模型的对比（OLS 与 GBM）：

• 用 TaskPqPandas 子类 GetData 加载糖尿病数据集，声明持久化字段 x、y。
• 用 TaskPickle 子类 ModelTrain 拟合模型，model 通过 ChoiceParameter 声明为输出身份的一部分。
• 用 @oryxflow.requires(GetData) 声明依赖，self.inputLoad() 自动加载上游结果。
• 通过 WorkflowMulti 把同一任务按不同参数展开：传入字典可命名多个实验，传入列表则自动展开为参数网格。
• result.summary() 输出每个实验的运行/缓存命中情况，flow.outputLoadMeta() 返回以实验名键控的元数据（如各模型的 score）。

示例输出中，gbm 实验显示 GetData 从缓存命中、仅 ModelTrain(model=gbm) 实际执行；修改 GetData 的代码后，下游任务会按依赖关系自动重算，且只有受影响的输出被重建。

定位与边界

Oryxflow 的价值主张可以概括为「缓存是引擎，信任是结果」：把可复现、血缘可追溯、按需重算的运行机制内建到流水线中，让人类与 AI 编码代理在同一套可验证的状态上工作。该项目目前以 Python 库 + Claude Code 插件的形式发布，定位偏向个人开发者与小到中型数据科学项目。