cellpose-kit 不是让智能体直接在对话里运行完整模型,而是把任务说明、轻量调用脚本和模型服务拆开。理解这个边界,比先背下所有参数更重要。
三层分别交付什么
SKILL.md 描述何时调用工具、如何解释结果和失败时该怎么办;segment.py 负责读取本地图片、拼接请求、接收并解压结果;cellpose-server/app.py 常驻加载模型,执行分割并生成输出包。
任务意图 → Skill 说明 → Python 调用脚本
→ HTTP /v1/segment → 模型与结果打包
→ 标签掩膜、统计、元数据、可选预览服务是普通 HTTP 接口,不是因为被 Skill 调用就变成 MCP。排障应请求 /healthz 和 /v1/segment,而不是看到 /mcp 返回 404 就判定部署失败。
结果不只是那张彩色图
客户端返回目录中,mask.tif 承担定量标签,instances.csv 承担逐实例像素计数,metadata.json 保存实际参数与输入摘要。overlay.png 是便于质检的预览,在不兼容的维度情况下可能缺失。
智能体的工作不是把预览描述得很像专家,而是解释每个文件的用途、报告实际参数、指出一致性异常,并承认模型预测不是人工真值。不能从颜色推导细胞类别,也不能把标签编号当成稳定身份。
解耦换来的维护收益
模型依赖和 GPU 留在服务端,客户端只使用标准库;更新提示说明不必重新打包大模型环境;连接错误也有明确归属。代价是网络、认证、服务版本与输出契约都需要管理,不能把远程调用当成本地纯函数。
可先用受控 HTTP 替身验证上传和结果解析,再在有 GPU 的环境完成真实推理验收。本文只阅读组件代码,没有部署模型。一个好的智能体工具,应该让执行路径和证据文件可检查,而不是只返回一句“分割完成”。
源码与阅读导航
本文属于「细胞分割工具链笔记」第 01 篇。依据固定提交 fd43764aac23 研读,后续版本可能不同。
还没有评论
欢迎留下你的观点,保持交流的清晰和友好。