[LG]《AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML》P Trirat, W Jeong, S J Hwang [DeepAuto.ai] (2025)
AutoML-Agent：首个多智能体大语言模型框架，实现从数据检索到模型部署的全流程自动机器学习
• 全流程覆盖：支持数据获取、预处理、特征工程、模型搜索、超参调优及部署，解决传统AutoML仅聚焦单环节的局限。
• 多智能体协作：包含Agent Manager、Prompt Agent、Data Agent、Model Agent和Operation Agent，专业分工并行处理子任务，提高效率与灵活性。
• 检索增强规划（RAP）：结合历史知识与实时网络检索，多计划生成，促进方案多样性和搜索深度，显著提升方案质量。
• 角色专属任务分解与提示执行：将复杂计划拆解为子任务，由专责智能体基于提示完成，避免代码生成偏差，提升执行准确度。
• 多阶段验证机制：包含请求验证、执行验证和实现验证，确保用户需求被精准理解和满足，减少代码错误与逻辑缺陷。
• 实验覆盖七大任务、十四个数据集，跨图像、文本、时序、图数据等多模态，结果显示成功率与性能均优于人类专家及多种先进AutoML和LLM框架。
• 资源高效：相较于训练型搜索方法，AutoML-Agent搜索速度提升约8倍，兼具计算效率与性能表现。
• 开源地址：github.com/deepauto-ai/automl-agent
心得：
1. 全流程一体化设计是提升AutoML实用性和适用性的关键，避免单阶段优化产生的次优结果。
2. 结合检索机制的多计划生成，突破了单一计划的局限，激发了更优方案的发现潜力。
3. 严格的多阶段验证机制有效缓解了LLM代码生成中的幻觉和不确定性问题，保证了模型部署的落地可靠性。
了解详情🔗arxiv.org/abs/2410.02958
自动机器学习大语言模型多智能体系统机器学习人工智能模型部署
