RED Agent 是 Archetype AI 提供的托管式稀有事件检测（Rare Event Detection）智能体，通过 Agents API 调用。它定位于“少样本”检测：介于需要完整标注库的 OSM 与只需正常数据的异常检测之间。RED 接收一个小的命名故障目录（例如“泵故障”“严重段塞流”），每个故障配少量标注样本，再加正常数据，用于检测这些特定特征是否复现。
算法上由两个模块组成：Omega 编码器把分窗后的多变量传感器数据转为嵌入向量，最近原型分类器把每个窗口分配给最接近的类原型。每个类只有一个原型，即该类样本嵌入的算术平均，这使其能容忍正常数据与一两个故障事件之间的严重不平衡。
平台在服务端运行整个处理图：source → interpolate → window → windowInterpolate → samplingRate → limitValues → encoder (omega:1.5) → classifier → sink。用户无需拟合或托管任何东西：平台提供规范的“RED Quick Start”包，已固定泵故障分类器及其分窗参数（window_size=64, step_size=1）。一次运行等于一个智能体实例、一个输入文件。流程为：上传 CSV、按名称解析预置包、运行、轮询至终态、下载逐窗口预测结果 CSV。
适用场景：无需拟合即可运行托管稀有事件检测（预置 Quick Start 包已固定分类器与分窗，上传准备好的 CSV 即可运行）；在只有一两个标注故障事件加正常数据的情况下检测自有命名故障（需自带分类器）；把检测器部署为可重复的批处理任务，客户端无需 ML；对少样本检测器进行诚实评分，因为正类通常不足窗口的 1%，标准准确率没有意义。
不适用场景：用户拥有覆盖所有工况的完整标注库，想知道“资产处于什么状态”，应使用 atai-operational-state-monitoring-agent；故障未命名或未表征且只有正常数据，RED 需要命名目录；想在客户端做 ML 并获取逐窗口嵌入，应使用 atai-newton-omega-model；原始 CSV 仍需清洗、间隙感知分段或归一化，RED 假定输入已准备好、已 z-score 标准化且采样率规则。
接口方面：Files API 提供 POST {ATAI_API_ENDPOINT}/v0.5/files（multipart 上传）与 GET {ATAI_API_ENDPOINT}/v0.5/files/download/{name}（下载）。Agents API 为 {ATAI_API_ENDPOINT}/agents/...（无版本号）。每次调用都需 Authorization: Bearer <API_KEY>。Agents API 无版本号，若 ATAI_API_ENDPOINT 带 /vX.Y 后缀，追加 /agents 前需去掉。ATAI_API_KEY 与 ATAI_API_ENDPOINT 均为必填，没有默认端点。截至 2026-08-11，bundle API 一律为复数：GET /agents/bundles（列表/搜索）、GET /agents/bundles/{id}（获取）、POST /agents/bundles（创建）、POST /agents/bundles/{id}/run（运行）；单数形式返回 404。预置“RED Quick Start”包发布在生产部署 https://api.u1.archetypeai.app 上。
五步生命周期：1）上传输入 CSV，返回 file_id（文件名，连接器使用）与 file_uid（fil_… 句柄），连接器用 file_id。蓝图强制要求：固定规则采样率、每个变量一个数值列、一个时间戳列（ISO 8601 或 Unix）、每个变量 z 归一化。不规则时间戳返回 INVALID_STATE。2）按名称解析预置包，?query= 对 name 和 id 做不区分大小写的子串搜索，结果最新优先，客户端精确匹配名称并优先 is_canonical: true。发布两个包：“RED Quick Start (Pump Breakdown)”提供泵故障分类器的逐窗口预测；“RED Quick Start (Pump Breakdown, Embeddings)”额外提供每个窗口的 Newton Omega 嵌入，每个传感器通道一个 embedding_{variate} 列，各为 768 维向量，输出文件显著增大（样例切片 740 MB 对 381 KB，约 1,900 倍）。两者都固定分类器工件（red-classifier 槽）及其分窗。3）运行包，一个输入文件一个智能体，返回新的 agt_… 实例。4）轮询至终态，status 从 running 变为 completed / failed / canceled，events 流是审计日志。5）下载结果。完成的运行仍可能在写输出，几秒内下载可能返回部分 CSV；运行器在最后一个窗口的 finish_timestamp 达到输入最后时间戳后才认为输出完整，每 15 秒重试下载，最多 10 分钟。
结果字段嵌套在内部 data 对象下：filename、num_bytes、ref。运行输出的 ref 是相对 /files/download/{name} 路径，在 /v0.5 下解析并需 bearer token；expires_at 为 null，运行输出不过期。拟合分类器工件的 ref 是绝对预签名 S3 URL，约 20 分钟过期。输出每窗口一行，包含 finish_timestamp（窗口结束，用于连接真值）、start_timestamp、predicted_state、invalid、p_normal、p_pump_breakdown 等。predicted_state 是类名或 INVALID_STATE；p_<class> 列在 output_probabilities 开启（默认）时为每类概率。
自带分类器（高级）：预置包运行 Archetype AI 的泵故障分类器。要检测自有故障目录，需要基于自有数据拟合的分类器。拟合流水线目前尚未对外部用户开放，需联系 support@archetypeai.dev，由 Archetype AI 协助拟合并返回分类器工件。拿到工件后，从规范 red 蓝图创建自有包再运行。工件键为 red-classifier，即 red 蓝图声明的模型名（models.classifier: "red-classifier"）。2026-07-28 之前该键为 rad-classifier（拼写错误，已修复），旧键仍返回 HTTP 201，但运行约 30 秒后失败。step_size 通常唯一值得设置，其余（window_size、data_columns、timestamp_column、encoder_model）从分类器自身参数元数据继承。
评分：稀有事件检测器必须从三个角度评分，因为正类常不足窗口的 1%。窗口级：每类精确率/召回率/F1，按设计多数规则标注窗口真值，平局归稀有事件。事件级：每个连续真值事件是否被检测到、检测延迟多久，这是操作者关心的数字。误报率：在零故障行窗口上的故障预测，比精确率在不同窗口大小下更可比。已验证的 quick-start 运行（8,735 窗口）显示：准确率 0.9883，pump_breakdown 精确率 0.8602 / 召回率 0.9934 / F1 0.9220，误报率 0.0076，事件在起始后 21 个样本被检测到。
两个结构性事实：window_size 是可检测事件时长的上界，占据不足半个窗口的事件永远无法被标为稀有事件，因此 window_size <= 2 ×（必须捕获的最短事件）。事件检测是跨窗口的 OR，只需一个窗口触发，粗 step_size 会直接损失检测。
已验证的平台行为：包工件必须是 s3:// URI（仅自带分类器路径），平台只把工件字符串解析为 S3/文件系统路径，file_id 或 https:// URL 在创建时被接受但运行时以 ENOENT 失败，且无上传途径（files API 拒绝 .safetensors）。全部 INVALID_STATE 输出意味着输入验证问题而非模型问题，蓝图默认 validate_monotonic_timestamps: true 与 sample_rate_interval_tolerance: 0.05。短 NaN 段在服务端修复，间隙最多 window_interpolation_max_gap 个样本（默认 16）在运行内插值。输出时间戳为浮点数。运行可复现，同一输入经同名包产生逐字节相同的输出。failed 状态可能掩盖成功运行，重跑前先检查 /results。运行时间主要受 worker 争用影响而非窗口数，队列空闲时 8,735 窗口样例切片端到端 84–109 秒（约 100 窗口/秒），负载下曾降至约 2.2 窗口/秒。建议顺序运行。