ModernTSF: 面向未来的时序研究基础设施

Keep research Simple and Stupid

TL;DR ：ModernTSF 是 Diaugeia.AI 团队开发的、面向 AI Agent 的时间序列研究基础设施（Research Infrastructure）。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 Study 与 Baseline 评测。而用户需要做的，只有三步

1. clone 仓库
2. 打开Agent软件
3. 说出想法

项目地址： https://github.com/Diaugeia/ModernTSF

（如果有用的话，请点个Star✨吧！）

引言

在进入 LLM-Agent 时代之前，做时序预测研究的人，大部分时间都花在重复且没有新意的事情上：读论文找 baseline、跑别人的代码、在自己的数据上重新验证一遍别人的结果、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——累不说，关键是全领域成千上万的研究者都在重复做同一件事。

后来有了 Agent，按理说应该解放了。结果时间并没有省下来，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"：评测方式差一点点，数字就差一点点，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。

问题的症结其实很清楚：现在不缺强的 Agent，缺的是给 Agent 用的基础设施。

ModernTSF 正是为解决这个问题而生——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 19 个 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。模型与数据集都预留了统一接口，一句话就能把新的模型 idea 或数据集加进来。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——配置开箱即跑。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。 以往研究者自己做实验时，常常出现代码层面的 bug（比如经典的时序 drop_last bug），或者每篇论文各自定义一套测试流程，导致不同论文之间的结果缺乏可比性；日志的缺失又让事后审计无从下手。而在 ModernTSF 中，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。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。

使用方案

三行命令：

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

然后，开始Vibe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。

使用反馈

部分使用者反馈：

1. 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，期间人类需要交互的次数不超过五次；相比 Agent 冷启动或使用其他非面向 Agent 的 benchmark，可以节约超过 1M token 以及大量调研时间

1. 采用 uv 进行包管理，ModernTSF 自带跨机器的自动环境配置（自动检测 GPU 并选择匹配的 PyTorch 后端），无需任何提前准备，也不污染机器上的现有环境。
2. 得益于内置的 170+ 模型及其论文核心内容，面对一个新 idea，框架可以自动检索出所有最相关的模型——既能提前发现 idea 是否已被做过，也能避免被审稿人指出遗漏了某个该比的模型，并自动选出合适的 baseline。

TSEval

TSEval是 ModernTSF 的公开评测出口：ModernTSF 是实验发生的地方，TSEval 是实验被公开展示的地方。得益于 ModernTSF 强大的能力，目前已经评测并汇总了 170+ 模型在常见静态基准上的表现，也加入了更贴近真实场景的实时数据赛道，例如沪深 300 股票和空气质量。静态数据集适合横向对比模型的基础能力，实时数据集则更能暴露模型在分布漂移、噪声和持续更新场景下的表现。TSEval 不是一个静态展示页，而是一个可以持续接收社区实验、持续更新的评测系统。每一行结果都来自一份可验证的提交：submission.json 记录结果和数据规格，trajectory.jsonl 记录实验过程，report.md 给人类审。也欢迎大家用 ModernTSF 产出结果并提交到 TSEval，一起把时间序列预测的公共基准做得更透明、更可信。

地址：https://tseval.diaugeia.ai/

团队介绍

ModernTSF 由 Diaugeia.AI 团队打造——一个专注于开源 AI 实验基础设施的团队。我们相信：Auto Research 的下一个阶段，不只是提出又一个新的 Agent，还必须包括一整套为 Agent 赋能的基础设施建设。只有模型、数据、评测、记录和提交协议这些底座稳定下来，人和 Agent 才能真正把心思放在问题本身。

ModernTSF 是这个方向上的第一份答卷，配套的公开排行榜 TSEval 则是它面向社区的评测出口。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、提交结果，也欢迎一起参与共建。