AI流水线实时通知
slackker 是一个面向 Python 工作流的实时通知工具，定位于 Agentic pipeline、机器学习训练和自动化脚本。它能把运行状态、返回结果、训练指标、输出摘要以及可选图表发送到 Slack、Telegram、Discord 或 Microsoft Teams，让开发者不必一直盯着终端或训练日志。
从功能看，它提供三类主要入口：一是用 SimpleCallback 的装饰器包装任意 Python 函数，自动把返回值作为通知发送；二是 KerasCallback，可接入 model.fit 并推送 epoch 训练指标；三是 LightningCallback，可读取 PyTorch Lightning 中按 epoch 记录的 train/validation log，并支持 monitor 最佳 epoch。它还支持导出训练历史图为 png 并发送到移动端，适合远程查看模型行为。pipeline 示例中还出现 notify、ask、stop，说明可在步骤间发送状态并请求人工确认。
slackker 以 Python 包形式通过 pip install slackker 安装，核心 API 包括 TelegramClient、SlackClient、DiscordClient、TeamsClient，以及 SimpleCallback、KerasCallback、LightningCallback。它还可安装 slackker[mcp] 并以本地 stdio MCP server 运行，供 AI coding client 使用。页面未提到云端服务，整体更像本地库/本地服务形态。各平台配置说明较细：Telegram 只需 bot token 且可自动发现 chat ID；Slack、Discord 需要 bot token 和 channel ID；Teams 需 Azure AD App、Graph delegated permissions，并且要求工作或学校 Microsoft 账户。
正文没有商业定价信息，也没有说明许可证，但页面提供 GitHub 链接和 pip 安装方式。文档质量在快速上手层面较好，包含凭证申请步骤和脚本、Keras、Lightning、pipeline 示例；不足是未说明安全模型、错误重试、限流、版本兼容、维护状态和生产部署建议。
优点是轻量、代码侵入低、多聊天平台覆盖，并且对 ML 训练场景有直接适配。缺点是生产级可靠性和支持信息不足，Teams/Slack 配置相对复杂。它适合个人开发者、数据科学家和小团队监控长任务；若需要企业 SLA、审计、集中告警治理，可评估官方 Bot API、Apprise、ntfy、Gotify、Alertmanager 或 W&B/MLflow 通知集成。
正文未提供访问可用性信息。Telegram、Slack、Discord、Teams 在中国大陆网络环境下可能受网络或组织策略影响，实际使用需自行测试；支付信息未提及。
本测评基于公开资料整理,不构成购买建议,请以 slackker.com 官网实际信息为准。
支持Slack/Telegram等通知，适合AI训练监控。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。