ModernTSF：面向 AI Agent 的时序研究基础设施

Keep research Simple and Stupid.

今天，我们正式发布 ModernTSF——面向 AI Agent 的时间序列研究基础设施。它提供开箱即用的 170+ 预置模型与 60+ 数据集，以及一套现代的架构设计：统一的模型与数据接口、自动环境配置、一键 ablation 与 baseline 评测。而你需要做的，只有三步——clone 仓库，打开 Claude Code 或 Codex，说出想法。

缺的不是 Agent，是给 Agent 用的基础设施

在 Agent 出现之前，做时序研究的人，大部分时间都花在重复且没有新意的事上：读论文找 baseline、跑别人的代码、配环境、写一堆数据加载和训练循环。这些事一篇论文做一遍，换个 idea 再做一遍——全领域成千上万的研究者都在重复做同一件事。

有了 Agent，时间并没有省下来，只是换了个花法：写 prompt、盯着 Agent 跑、等它跑完、再检查它写的代码靠不靠谱。Agent 自己也好不到哪去——让它做个实验，它得先花半天搜资料、读懂别人的仓库、调环境，真正花在实现新方法上的时间少得可怜。更头疼的是，每个研究者和每个 Agent 都自己搭一遍底座，搭出来的东西「差不多但不一样」，最后整个领域的结果互相没法比。Agent 写代码越快，这个问题反而越严重。

ModernTSF 把那些人人都要做、但做了没有任何新意的事，沉淀成共用的基础设施：

人负责出 idea，Agent 负责实现核心部分，剩下的一切，基础设施兜底。

为什么是 ModernTSF

• 真正为 Agent 设计。 项目指令与一整套 Agent Skills 由 Claude Code 和 Codex 共用，覆盖配环境、搭模型骨架、冒烟测试、批量跑实验、聚合结果、出报告——每件事都是一句话的事。Agent 进了这个仓库不用先「熟悉项目」，落地就能干活。
• 170+ 预置模型、60+ 数据集，拿来就能用。 从最简单的线性模型到 Transformer、图模型、基础模型全都有；数据集覆盖主流开源基准，原生接入 GIFT-EVAL 等评测，任意自定义 CSV 也只需一份配置即可接入。每个模型还带一张「论文卡片」——哪年发的、发在哪、核心思想是什么。与其说是模型库，不如说是这个领域的一张活地图：人能看懂，Agent 也能看懂。
• 从想法到结果，几分钟。 提一个新模型，只需要写真正新的那一部分——一个模型实现、一份参数定义、一个配置文件，完事。数据管线、训练循环、早停、指标、画图全都是现成的；环境根据硬件自动配置，对比实验自动展开。
• 结果天生可比、可复现。 数据划分和评测方式由框架统一规定，不再是每篇论文自己说了算——经典的时序 drop_last bug 这类问题在框架层面就不存在。每次运行都留下一份完整记录：可版本化的 TOML 配置、固定的随机种子，连 Agent 做实验的全过程轨迹都能录下来、回放、审计。严谨这件事，不用研究者额外操心。

怎么用

三行命令：

git clone https://github.com/Diaugeia/ModernTSF.git
cd ModernTSF
claude        # 或者 codex

然后，说人话就行：

> 帮我把环境配好。
> 在 ETTh1 上跑一下 DLinear、PatchTST 和 iTransformer，给我个排行榜。
> 这是我的销售数据 CSV，接进来，帮我找找哪个模型效果最好。
> 我有个想法：<描述它>。帮我搭好骨架、实现出来，再和强 baseline 公平比一比。

Agent 会自动认出项目里的指令和 Skills，剩下的事不用管。项目提供完整的中英文文档，不过大概率一页都不用翻——让 Agent 替你读。

从 idea 到结果，差多少

早期使用者反馈：使用 ModernTSF 之后，从出现 idea 到产出完整结果的时间缩短到 2～3 小时，期间人工交互不超过五次；相比 Agent 冷启动或使用其他非面向 Agent 的基准，可节约超过 1M token 与大量调研时间。

省下的时间主要来自两处。一是环境：基于 uv 的自动环境配置可跨机器工作——自动检测 GPU 并匹配 PyTorch 后端，无需任何提前准备，也不污染机器上的现有环境。二是调研：得益于内置的 170+ 模型及其论文卡片，面对一个新 idea，框架可以自动检索出所有最相关的工作——既能提前发现 idea 是否已被做过，也能避免被审稿人指出漏比了某个该比的模型，并自动选出合适的 baseline。

接下来

ModernTSF 是 Diaugeia.AI 在「为 Agent 赋能的研究基础设施」这个方向上交出的第一份答卷。配套的公开排行榜 TSEval，以及所有模型在现有数据集上的评测结果，也即将上线。

如果你在做时序研究，或者在探索 Agent 驱动的科研工作流，欢迎 Star、试用、提 Issue，也欢迎加入我们参与共建：github.com/Diaugeia/ModernTSF。