公司想让 AI 帮忙训练客户流失模型，却不愿把客户表格上传云端；更麻烦的是，语言模型会写方案，却未必算得稳。开源项目 EpochGo 的思路，是让多个 AI 角色在本地包办 AutoML——自动完成数据处理、选模型、调参与评估——同时把“出主意”和“真正训练”拆开。
系统通过 Ollama（在个人电脑或自有服务器运行语言模型的工具）调用 qwen2.5-coder:7b。最值得注意的是，模型不读取原始数据行，只查看字段分布、类别数量和缺失情况，据此规划特征处理与建模；具体计算则交给确定性的 Scikit-learn Pipeline，也就是由固定代码执行训练。生成的 Python 代码还会先经过 AST（代码结构树）检查，以阻止任意系统命令或数据外泄。
作者称，它可在配备 16GB 内存的 Mac、Linux 或 Windows 设备上完全离线运行，并用隔离的 K 折交叉验证比较模型，随后生成容器化 FastAPI 推理接口。以上能力与效果来自项目作者在 Reddit 的介绍，材料未提供独立测试结果。