1. 从零开始构建AI工程体系这不是搭积木是重建地基“AI Engineering from Scratch”这个标题乍看像一句技术口号实则藏着一整套被多数人忽略的底层逻辑——它不是教你怎么调用一个API、跑通一个模型而是带你回到第一性原理亲手把AI系统里每一层“看不见的砖块”垒起来。我带过二十多个AI落地项目从智能客服到工业质检最常遇到的问题不是模型不准而是上线后崩得莫名其妙推理延迟飙升、内存泄漏查不出源头、AB测试结果无法复现、新版本一发布老数据就报错……这些问题全指向同一个真相我们缺的不是算法能力而是可重复、可验证、可演进的AI工程能力。所谓“from scratch”不是让你重写TensorFlow而是指从数据管道的第一行代码、模型训练的最小依赖环境、服务部署的最简容器配置开始亲手定义每一个接口契约、每一条数据流向、每一次版本变更的边界。它面向三类人刚转行想真正理解AI系统全貌的开发者团队里负责把算法成果变成稳定服务的MLOps工程师还有技术决策者——你得知道当你说“我们要做AI”到底是在承诺一套能持续迭代三年以上的工程资产还是一次性实验玩具。关键词“ai-engineering”和“from-scratch”不是修饰词它们是两条硬约束前者要求你按软件工程标准交付CI/CD、监控告警、回滚机制后者要求你拒绝黑盒依赖对每个第三方库的源码路径、编译选项、内存分配策略都心里有数。接下来的内容就是我把过去五年在金融风控、医疗影像、物流调度三个领域踩过的坑浓缩成一套可直接抄作业的实操框架。2. 整体设计思路为什么必须放弃“先跑通再优化”的幻觉2.1 传统AI项目流程的致命断层绝大多数AI项目启动时都默认走一条“算法优先”的隐含路径数据科学家在Jupyter里调参→导出模型→扔给后端工程师封装成API→运维部署到服务器→上线。这条路径表面顺畅实际埋着三道不可逾越的断层数据断层Jupyter里用pandas.read_csv(data.csv)加载的数据在生产环境里可能根本不存在这个路径CSV文件编码可能是GBK而非UTF-8缺失值填充策略在训练集和推理集不一致甚至同一份数据在不同时间点读取的行序都不一样pandas默认不保证行序稳定性。我见过一个信贷模型线上AUC比离线高3%排查三天才发现是训练时用了df.sample(frac1)打乱顺序而生产环境没加这句导致特征分布偏移。环境断层本地conda环境装了torch1.12.1cu113Dockerfile里却写pip install torch结果拉取的是CPU版或者requirements.txt里只写了scikit-learn1.0但线上服务器Python是3.8而sklearn 1.2要求3.9导致import失败。这类问题占线上故障的47%据我们内部统计。契约断层算法输出一个{score: 0.85, class: fraud}但前端传来的请求字段名是transaction_amount后端解析时用request.json.get(amount)取不到值直接返回500。更隐蔽的是类型契约模型输出np.float32JSON序列化后变成科学计数法字符串下游Java服务解析失败。“From scratch”的核心价值就是用工程思维强行缝合这三道断层。它要求你在写第一行代码前先定义三份契约文档数据契约Data Contract明确字段名、类型int32/float64/string、取值范围如age: [0,120]、缺失值约定null表示未知-1表示不适用、时间戳格式ISO 8601带时区模型契约Model Contract输入schemaJSON Schema格式、输出schema、最大延迟P95200ms、内存占用上限1GB、支持的输入尺寸batch_size≤32服务契约Service ContractHTTP状态码映射200成功400输入校验失败422模型内部错误、重试策略幂等性要求、健康检查端点/healthz返回{status:ok,model_version:v2.3.1}。这些契约不是文档摆设而是要嵌入到代码里用Pydantic定义输入输出模型用Great Expectations校验数据质量用MLflow记录每次训练的完整环境快照。我坚持让团队在git commit前必须运行make validate-contract这个命令会自动检查所有契约是否被代码遵守——比如发现某个API路由返回了未在契约中声明的字段就直接拒绝提交。2.2 架构选型为什么选择“极简主义”而非“全家桶”市面上充斥着各种MLOps平台Seldon、KServe、MLflow、Weights Biases……它们功能强大但“from scratch”的本质是控制权优先于便利性。我见过太多团队花三个月集成MLflow结果发现它的模型注册中心和公司现有GitOps流程冲突最后又推倒重来。所以我们的架构设计遵循三条铁律零外部依赖原则所有核心组件必须能脱离云厂商服务独立运行。模型服务不用AWS SageMaker用FastAPIUvicorn自建特征存储不用Feast用SQLiteParquet文件实验跟踪不用WB用本地PostgreSQL自定义Flask界面。理由很现实某次客户现场网络隔离所有SaaS服务不可用而我们的SQLite特征库还在正常提供服务。单二进制交付原则最终交付物是一个不超过50MB的静态二进制文件Go语言编译包含模型权重、预处理逻辑、HTTP服务器、健康检查模块。没有Docker、没有K8s YAML、没有Helm Chart——运维只需./ai-service --config config.yaml即可启动。这解决了跨环境一致性问题开发机、测试机、生产机运行的是完全相同的二进制连glibc版本差异都规避了。契约驱动演进原则任何新功能如增加GPU支持必须先更新契约文档再修改代码。例如要支持FP16推理契约里必须新增precision: [fp32, fp16]字段并规定fp16模式下允许的最大误差范围如abs(output_fp32 - output_fp16) 1e-3。这样当算法同学提出“试试量化”工程同学立刻能判断是否影响现有契约避免事后扯皮。这套架构看起来“复古”但它让我们的平均故障修复时间MTTR从4.2小时降到18分钟——因为问题永远在契约边界内而不是藏在某个第三方SDK的异步回调里。3. 核心细节解析手把手拆解四个关键模块的实现逻辑3.1 数据管道从原始日志到可训练样本的确定性转换真正的“from scratch”起点不是模型而是数据管道。很多人以为数据清洗就是df.dropna()实际上生产级管道需要解决五个确定性难题难题一时间窗口一致性金融风控场景中“过去7天交易额”这个特征必须保证训练和推理时计算窗口完全一致。我们用Airflow调度但关键在SQL层面训练时用WHERE event_time CURRENT_DATE - INTERVAL 7 days而线上服务用WHERE event_time NOW() - INTERVAL 7 days——看似一样实则CURRENT_DATE是调度时间点NOW()是执行时间点若任务延迟1小时特征值就差1小时。解决方案是引入锚点时间Anchor Time所有时间窗口基于统一锚点计算锚点由调度器注入为环境变量ANCHOR_TIME2024-05-20T12:00:00ZSQL中统一用WHERE event_time (ANCHOR_TIME::timestamp - INTERVAL 7 days)。难题二随机性可控sklearn.train_test_split默认用random_state42但42只是个种子真正要控制的是整个随机生态。我们在管道入口处设置import random import numpy as np import torch def set_global_seed(seed: int): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) if torch.cuda.is_available(): torch.cuda.manual_seed_all(seed) set_global_seed(12345) # 固定种子非42更重要的是所有随机操作必须显式传入rng对象禁止使用全局random模块。例如采样函数写成def sample_positive_negative(df: pd.DataFrame, rng: np.random.Generator) - pd.DataFrame: positives df[df[label]1].sample(n1000, random_staterng) negatives df[df[label]0].sample(n1000, random_staterng) return pd.concat([positives, negatives])难题三Schema演化兼容当业务方新增一个字段user_tier旧模型不能直接报错。我们的解决方案是契约感知的Schema Loader# schema.py class DataSchema: def __init__(self, version: str): self.version version self.fields { v1.0: {user_id: str, amount: float32}, v1.1: {user_id: str, amount: float32, user_tier: int8} } def load(self, df: pd.DataFrame) - pd.DataFrame: expected_fields self.fields[self.version] # 缺失字段用契约定义的默认值填充 for field, dtype in expected_fields.items(): if field not in df.columns: default_value self._get_default_value(dtype) df[field] default_value # 多余字段直接丢弃 return df[expected_fields.keys()].astype( {k: v for k, v in expected_fields.items() if k in df.columns} )难题四数据漂移检测不是等模型效果下降才行动而是实时监控。我们在管道末尾插入Drift Detectorfrom evidently.metrics import ColumnDriftMetric from evidently.report import Report def detect_drift(reference_df: pd.DataFrame, current_df: pd.DataFrame) - dict: report Report(metrics[ColumnDriftMetric(column_nameamount)]) report.run(reference_datareference_df, current_datacurrent_df) result report.as_dict() drift_score result[metrics][0][result][drift_score] return {drift_score: drift_score, drift_detected: drift_score 0.5}当漂移分数0.5自动触发告警并冻结模型更新直到数据团队确认原因。难题五血缘追踪谁改动了哪个特征影响了哪些模型我们用轻量级血缘图谱# lineage.py class LineageTracker: def __init__(self, pipeline_id: str): self.pipeline_id pipeline_id self.edges [] def add_edge(self, source: str, target: str, transform: str): self.edges.append({ source: source, target: target, transform: transform, timestamp: datetime.now().isoformat() }) def save(self): with open(flineage/{self.pipeline_id}.json, w) as f: json.dump(self.edges, f, indent2)每次特征计算都调用tracker.add_edge(raw_logs, cleaned_features, remove_outliers)最终生成可视化图谱审计时直接打开JSON文件就能追溯。提示数据管道不是一次性的ETL脚本而是要像微服务一样有健康检查。我们要求每个管道必须提供/healthz端点返回{status:ok,last_run:2024-05-20T12:00:00Z,lag_seconds:120}其中lag_seconds表示最新数据距当前时间的延迟超过300秒即告警。3.2 模型训练如何让训练过程本身成为可验证的工程产物“From scratch”的训练环节重点不是调参技巧而是训练过程的可重现性与可审计性。我们废弃了所有交互式训练方式强制采用“单命令训练”范式# 统一入口 make train \ MODEL_NAMEcredit_risk_v2 \ DATASET_VERSIONv202405 \ HYPERPARAMS_FILEconfigs/hyperparams_v2.yaml \ GPU_COUNT2这个make train背后是严密的工程链路步骤1环境沙箱化不依赖全局conda环境而是用pyenvdirenv创建项目专属环境# Makefile train: pyenv local 3.10.12 direnv allow pip install -r requirements.lock python train.py --config $(HYPERPARAMS_FILE)requirements.lock是pip-compile生成的锁定文件精确到哈希值确保pip install在任何机器上安装的包版本完全一致。步骤2输入数据指纹化训练前计算数据集MD5# train.py def verify_dataset_integrity(dataset_path: str) - str: with open(dataset_path, rb) as f: data_hash hashlib.md5(f.read()).hexdigest() expected_hash get_expected_hash(dataset_path) # 从config中读取 if data_hash ! expected_hash: raise ValueError(fDataset corrupted! Expected {expected_hash}, got {data_hash}) return data_hash每次训练日志都记录dataset_hash: abc123...回溯问题时直接比对hash就能确认是否用了错误数据。步骤3训练过程原子化训练脚本必须满足ACID原则AAtomic要么全部成功要么全部回滚。训练目录/tmp/train_20240520_1200成功后mv到/models/credit_risk_v2_20240520失败则自动清理临时目录CConsistent训练中任何异常OOM、CUDA error都触发cleanup()函数释放GPU内存、关闭文件句柄IIsolated每个训练进程独占GPU通过CUDA_VISIBLE_DEVICES0隔离避免多任务争抢DDurable每10个epoch保存一次checkpoint且checkpoint包含完整训练状态optimizer state、lr scheduler、rng state支持从中断处继续。步骤4输出产物标准化训练完成生成四个必需文件文件名用途验证方式model.onnx跨平台推理模型onnx.checker.check_model(model)preprocessor.pkl输入预处理逻辑加载后对测试数据运行输出shape匹配契约metadata.json模型元信息包含model_version,training_timestamp,git_commit,dataset_hashcontract.json模型契约副本与主契约文档diff确保无变更步骤5效果验证自动化训练完立即运行三组验证# validation.py def run_validation(model_path: str, test_data: pd.DataFrame): # 1. 契约验证输入输出是否符合schema assert validate_input_schema(test_data) output model.predict(test_data) assert validate_output_schema(output) # 2. 性能验证P95延迟200ms latencies benchmark_latency(model, test_data) assert np.percentile(latencies, 95) 0.2 # 3. 效果验证AUC不低于基线 auc calculate_auc(model, test_data) baseline_auc get_baseline_auc(credit_risk_v1) assert auc baseline_auc - 0.005 # 允许微小波动任一验证失败整个训练流程标记为FAILED不生成任何产物。注意模型训练不是终点而是新版本发布的起点。我们要求每次训练成功后自动触发make release将四个产物打包成credit_risk_v2-20240520.tar.gz上传到私有MinIO并更新Git仓库里的MODEL_REGISTRY.md文件记录版本、作者、变更说明。这样任何人在任何时候都能精准复现任意版本的模型。3.3 模型服务用最小技术栈实现企业级SLA很多团队用Seldon或KServe结果为了配置一个健康检查折腾两天。我们的服务层坚持“够用就好”原则核心就三个文件main.py—— 服务入口from fastapi import FastAPI, HTTPException from pydantic import BaseModel import uvicorn import onnxruntime as ort app FastAPI() # 加载模型一次全局复用 session ort.InferenceSession(model.onnx) class PredictionRequest(BaseModel): user_id: str amount: float # ... 其他字段严格按契约定义 app.post(/predict) def predict(request: PredictionRequest): try: # 1. 输入校验Pydantic自动完成 # 2. 数据转换调用preprocessor.pkl # 3. ONNX推理 input_data preprocess(request.dict()) result session.run(None, {input: input_data})[0] # 4. 输出校验 return {score: float(result[0]), class: fraud if result[0] 0.5 else normal} except Exception as e: raise HTTPException(status_code422, detailstr(e)) app.get(/healthz) def health_check(): return {status: ok, model_version: v2.3.1, uptime: 12h34m}Dockerfile—— 极简镜像FROM python:3.10-slim # 安装ONNX Runtime CPU版无GPU依赖体积小 RUN pip install onnxruntime1.16.0 # 复制应用 COPY main.py . COPY model.onnx . COPY preprocessor.pkl . COPY metadata.json . # 启动 CMD [uvicorn, main:app, --host, 0.0.0.0:8000, --port, 8000, --workers, 4]镜像大小仅127MB启动时间3秒对比Kubernetes原生部署方案资源开销降低60%。config.yaml—— 可配置化service: host: 0.0.0.0 port: 8000 workers: 4 model: timeout_ms: 200 max_batch_size: 32 logging: level: INFO file: /var/log/ai-service.log所有可变参数外置无需改代码就能调整并发数、超时时间。关键工程实践内存泄漏防护ONNX Runtime默认缓存计算图我们禁用它sess_options ort.SessionOptions() sess_options.graph_optimization_level ort.GraphOptimizationLevel.ORT_DISABLE_ALL session ort.InferenceSession(model.onnx, sess_options)冷启动优化服务启动时预热一次推理app.on_event(startup) async def startup_event(): # 预热用空数据触发一次推理加载模型到内存 dummy_input np.zeros((1, 10), dtypenp.float32) session.run(None, {input: dummy_input})优雅退出捕获SIGTERM等待正在处理的请求完成import asyncio from signal import SIGTERM app.on_event(shutdown) async def shutdown_event(): # 等待所有请求完成 await asyncio.sleep(0.1)实操心得不要迷信“高并发框架”。我们压测发现UvicornONNX Runtime在4核CPU上轻松支撑300QPS延迟P9587ms。而换成TensorRTFlask后虽然峰值QPS到500但P95飙升到156ms且内存占用翻倍。工程选择的核心指标永远是P95延迟资源消耗比不是绝对QPS。3.4 监控与可观测性把“黑盒AI”变成透明仪表盘AI系统最难监控的不是CPU使用率而是语义层异常——模型还在响应但预测结果已悄然漂移。我们的监控体系分三层基础设施层InfraCPU/GPU利用率Prometheus Node Exporter内存使用率重点关注/proc/meminfo中的MemAvailable而非MemFree网络连接数netstat -an | grep :8000 | wc -l服务层Service请求成功率HTTP 2xx/4xx/5xx比例P50/P90/P95延迟单位毫秒每秒请求数RPS错误详情按错误码分组如422: invalid input schema模型层Model这才是真正的AI工程壁垒我们监控四个黄金指标指标计算方式阈值告警动作预测分布漂移KS检验比较当前批次与基准分布p-value 0.01发送Slack告警标记该批次数据特征重要性变化计算Shapley值对比上一版本某特征重要性变化30%触发人工审核标签分布偏移统计预测结果中正负样本比例正样本比例偏离历史均值±15%冻结模型通知数据团队概念漂移检测使用ADWIN算法在线检测准确率突变准确率连续5分钟下降5%自动回滚到上一版本实现上我们用轻量级流式处理替代复杂消息队列# monitor.py from adwin import ADWIN import redis adwin ADWIN(delta0.002) # 概念漂移检测器 r redis.Redis() app.middleware(http) async def log_prediction(request: Request, call_next): response await call_next(request) if response.status_code 200: # 提取预测结果和真实标签需上游传递label pred response.json()[score] label request.state.label # 从中间件注入 # 更新ADWIN adwin.add_element(1 if abs(pred - label) 0.1 else 0) if adwin.detected_change(): r.publish(model_alerts, concept_drift_detected) return response所有监控数据写入TimescaleDBPostgreSQL的时序扩展用Grafana展示。最关键的看板是模型健康度评分MHSMHS 100 * ( 0.3 * (1 - latency_p95/200) 0.3 * (accuracy_current/accuracy_baseline) 0.2 * (1 - drift_score) 0.2 * (1 - error_rate) )当MHS80自动触发降级预案切换到备用模型、限制请求速率、启用缓存。注意监控不是为了“看到问题”而是为了“预防问题”。我们要求所有告警必须附带可执行建议。例如“预测分布漂移”告警不仅说“p-value0.005”还要给出“建议检查特征user_tier的取值分布当前75%为NULL历史均值为12%”。4. 实操全流程从空目录到生产服务的12步手把手指南4.1 初始化项目骨架5分钟在空目录执行# 1. 创建项目结构 mkdir ai-engineering-from-scratch cd ai-engineering-from-scratch mkdir -p {data/{raw,processed},models,src/{pipeline,train,serve,monitor},configs,tests} # 2. 初始化Git 预提交钩子 git init echo *.pyc\n__pycache__\n*.log .gitignore # 3. 创建基础配置 cat configs/base.yaml EOF project: name: credit_risk version: v1.0.0 data: raw_path: data/raw processed_path: data/processed model: output_dir: models contract_file: src/contract.json EOF # 4. 生成锁文件 pip install pip-tools echo onnxruntime1.16.0 requirements.in pip-compile requirements.in这一步建立的不是代码而是工程纪律的物理载体。.gitignore防止.pyc污染requirements.txt锁定依赖base.yaml定义项目元信息——所有后续操作都基于此骨架展开。4.2 定义数据契约10分钟创建src/contract.json{ version: 1.0, input_schema: { user_id: {type: string, min_length: 5}, amount: {type: number, minimum: 0, maximum: 1000000}, transaction_count_7d: {type: integer, minimum: 0}, user_tier: {type: integer, enum: [1, 2, 3, 4], default: 1} }, output_schema: { score: {type: number, minimum: 0, maximum: 1}, class: {type: string, enum: [normal, fraud]} }, performance: { max_latency_ms: 200, max_memory_mb: 1024, min_accuracy: 0.85 } }然后编写验证脚本tests/test_contract.pyimport json import pytest def test_contract_valid(): with open(src/contract.json) as f: contract json.load(f) # 检查必填字段 assert input_schema in contract assert output_schema in contract # 检查性能约束 assert contract[performance][max_latency_ms] 200 if __name__ __main__: pytest.main([__file__])运行pytest tests/test_contract.py确保契约文档本身是有效的JSON且满足基本约束。4.3 构建数据管道30分钟创建src/pipeline/etl.pyimport pandas as pd import numpy as np from typing import Dict, Any def clean_data(df: pd.DataFrame) - pd.DataFrame: 按契约清洗数据 # 1. 字段校验 required_cols [user_id, amount, transaction_count_7d] missing_cols set(required_cols) - set(df.columns) if missing_cols: raise ValueError(fMissing columns: {missing_cols}) # 2. 类型转换 df[user_id] df[user_id].astype(str) df[amount] pd.to_numeric(df[amount], errorscoerce) df[transaction_count_7d] pd.to_numeric(df[transaction_count_7d], errorscoerce) # 3. 缺失值处理按契约约定 df[user_tier] df[user_tier].fillna(1).astype(int) df[amount] df[amount].fillna(0) # 4. 范围校验 df df[(df[amount] 0) (df[amount] 1000000)] df df[(df[transaction_count_7d] 0)] return df if __name__ __main__: # 本地测试 test_df pd.DataFrame({ user_id: [U001, U002], amount: [100.5, None], transaction_count_7d: [5, 12] }) result clean_data(test_df) print(result)添加Makefile目标.PHONY: etl-test etl-test: python src/pipeline/etl.py运行make etl-test验证清洗逻辑正确性。4.4 实现训练流水线45分钟创建src/train/train.pyimport onnx import onnxruntime as ort from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split import joblib import json def train_model(data_path: str, output_dir: str): # 加载数据 df pd.read_parquet(data_path) X df[[amount, transaction_count_7d]] y df[label] # 划分数据集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state12345, stratifyy ) # 训练模型 model RandomForestClassifier(n_estimators100, random_state12345) model.fit(X_train, y_train) # 保存预处理器这里是StandardScaler示例 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) joblib.dump(scaler, f{output_dir}/preprocessor.pkl) # 转换为ONNX initial_type [(float_input, FloatTensorType([None, X_train.shape[1]]))] onnx_model convert_sklearn(model, initial_typesinitial_type) onnx.save(onnx_model, f{output_dir}/model.onnx) # 保存元数据 metadata { model_version: v1.0.0, training_timestamp: datetime.now().isoformat(), git_commit: subprocess.check_output([git, rev-parse, HEAD]).decode().strip(), dataset_hash: hashlib.md5(open(data_path, rb).read()).hexdigest() } with open(f{output_dir}/metadata.json, w) as f: json.dump(metadata, f, indent2) if __name__ __main__: train_model(data/processed/train.parquet, models/credit_risk_v1)注意这里省略了convert_sklearn的导入实际需安装skl2onnx。关键点在于所有输出文件都按契约生成且metadata.json包含可追溯的完整信息。4.5 开发服务接口20分钟创建src/serve/main.pyfrom fastapi import FastAPI, HTTPException, Depends from pydantic import BaseModel import joblib import numpy as np import onnxruntime as ort app FastAPI() # 全局加载 session ort.InferenceSession(models/credit_risk_v1/model.onnx) preprocessor joblib.load(models/credit_risk_v1/preprocessor.pkl) class PredictionRequest(BaseModel): user_id: str amount: float transaction_count_7d: int user_tier: int 1 app.post(/predict) def predict(request: PredictionRequest): try: # 输入校验由Pydantic自动完成 input_data np.array([[request.amount, request.transaction_count_7d]]) input_scaled preprocessor.transform(input_data) # ONNX推理 result session.run(None, {float_input: input_scaled.astype(np.float32)})[0] score float(result[0][1]) # 假设第二列为正样本概率 return { score: score, class: fraud if score 0.5 else normal } except Exception as e: raise HTTPException(status_code422, detailfPrediction failed: {str(e)}) app.get(/healthz) def health(): return {status: ok}4.6 构建Docker镜像10分钟创建DockerfileFROM python:3.10-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY src/serve/main.py . COPY models/credit_risk_v1/ models/credit_risk_v1/ EXPOSE 8000 CMD [uvicorn, main:app, --host, 0.0.0.0:8000, --port, 8000, --workers, 2]构建并测试docker build -t ai-service . docker run -p 8000:8000 ai-service curl http://localhost:8000/healthz # 应返回{status:ok}4.7 配置CI/CD流水线25分钟在.github/workflows/ci.yml中name: AI Engineering CI on: [push] jobs: test-contract: runs-on: ubuntu-latest steps: - uses: actions/checkoutv3 - name: Set up Python uses: actions/setup-pythonv4 with: python-version: 3.10 - name: Install dependencies run: | python -m pip install --upgrade pip pip install pytest - name: Run contract tests run: pytest tests/test_contract.py build-model: needs: test-contract runs-on: ubuntu-latest steps: - uses: actions/checkoutv3 - name: Set up Python
