AutoGluon智能助手：多智能体协作实现零代码自动机器学习
在2024年Kaggle AutoML Grand Prix大奖赛（一项奖金为75,000美元的竞赛，汇集了包括顶尖AutoML从业者和Kaggle特级大师在内的数百支队伍）中，全自动框架获得了第10名，成为该竞赛中唯一获得积分的自动化智能体。这一成就验证了长期以来探索的一个问题的答案：能否不仅消除通常与AutoML相关的模型选择和超参数调优，甚至消除编码本身？
自动机器学习的愿景一直是 democratization（普及化）。然而，大多数AutoML工具仍然要求用户编写代码、准备数据结构并理解ML工作流程。对于没有编程背景的领域专家（如分析实验数据的科学家、构建预测模型的分析师或处理图像集合的研究人员）而言，这种编码要求构成了不必要的障碍。
设计AutoGluon Assistant正是为了消除这一障碍。AutoGluon Assistant构建于MLZero之上，这是一个由大语言模型驱动的新型多智能体系统，它能够将自然语言描述转化为针对表格、图像、文本和时间序列数据的已训练机器学习模型。该系统在多模态AutoML智能体基准测试中取得了92%的成功率，在外部MLE-bench Lite测试中取得了86%的成功率，在成功率和解决方案质量方面均处于领先地位。
用于真正自动化的多智能体架构
传统的AutoML工具假定输入数据是干净、结构化的，并且用户能够正确调用API。现实世界中的机器学习问题始于更混乱的现实：模棱两可的数据文件、不明确的任务定义，以及可能不知道需要分类还是回归的用户。MLZero通过多智能体架构解决了这个问题，该架构中，由某机构Bedrock提供的大语言模型驱动的专用组件相互协作，将原始输入转化为可行的解决方案。
例如，考虑一位医学研究员上传带有分割掩码的胸部X射线图像，并描述目标为“定位X射线中的疾病区域”。感知模块识别出像素级分割是任务需求，语义记忆选择AutoGluon的MultiModalPredictor用于语义分割，迭代编码模块生成并优化代码。当初始尝试遇到掩码格式不兼容问题时，情景记忆提供调试上下文，以调整预处理和后处理步骤，最终成功训练出一个分割模型——整个过程无需研究员编写任何代码。
该系统包含四个核心模块：感知、语义记忆、情景记忆和迭代编码。
- 感知模块解释任意的数据输入，解析文件结构和内容以构建结构化的理解，无论格式不一致或命名模糊。例如，当用户提供的CSV文件没有明确指示目标变量时，感知模块会分析列的分布和语义来推断任务结构。
- 语义记忆模块用机器学习库的知识丰富系统，维护关于AutoGluon能力、API模式和实践的结构化信息。该模块使系统能够根据任务特征选择合适的工具，而无需用户知道语义分割任务需要AutoGluon Multimodal中的SAM模型。
- 情景记忆模块维护按时间顺序的执行记录，追踪系统尝试过什么、成功与失败。当代码执行产生错误时，此模块通过提供相关先前尝试及其结果来提供调试上下文。这解决了机器学习开发的迭代性质，其中解决方案通过精炼而非一次性形成。
- 迭代编码模块实施了一个带有反馈循环和增强记忆的精炼过程。生成的代码被执行，产生结果或错误，并为后续尝试提供信息。这个过程持续进行，直到成功执行或达到最大迭代次数，并可在需要时选择每轮接收用户输入以提供指导。该架构在保持高度自动化的同时，也为人工监督保留了灵活性。
通过这个综合系统，MLZero弥合了嘈杂原始数据与复杂机器学习解决方案之间的鸿沟。这种多智能体协作模式在多种模态下都证明是有效的，因为该架构分离了传统上在单智能体系统中相互交织的关注点——理解数据、了解能力、跟踪历史和生成代码。
成果分析
为了在一个已建立的外部标准上验证系统，首先在MLE-bench Lite上进行了评估。该基准测试包含21个来自过往Kaggle竞赛的多样化挑战，这使得能够直接将模型性能与其他领先的自动化系统进行比较。模型取得了最高的成功率——86%，意味着成功完成了21个挑战中的18个，并提交了有效解决方案。在整体解决方案质量上，模型也名列前茅，平均排名为1.43，而次优智能体的平均排名为2.36。智能体赢得了6枚金牌，并在基准测试挑战的总奖牌数上超过了所有竞争对手。
在已有基准测试上证明了模型能力后，进一步在自建的多模态AutoML智能体基准测试上进行了测试。这是一个更具挑战性的测试集，包含25个多样化的任务，数据集的处理程度更低，数据更接近原始形式，带有更多噪声、格式不一致和歧义。该基准测试涵盖了多种数据模态（表格、图像、文本、文档）和问题类型（分类、回归、检索、语义分割），以及具有挑战性的数据结构（多语言、多表和大型数据集）。AutoGluon Assistant（作为MLZero）在所有任务中取得了92%的成功率。当使用紧凑的80亿参数大语言模型实现时，系统仍然取得了45.3%的成功率，这证明它比许多更大、资源更密集的智能体更有效。
适应多样化工作流程的便捷接口
AutoGluon Assistant支持多种交互模式，以适应不同用户的偏好和工作流程。用户可以通过命令行界面调用系统以快速完成自动化任务，通过Python API集成到现有数据处理管道中，通过Web UI进行可视化交互和监控，或者使用模型上下文协议将其与其他智能体工具集成。这种灵活性确保无论用户偏好脚本编写、图形界面还是程序化控制，都能够访问相同的底层自动化能力。
系统还支持可选的每轮用户输入，允许领域专家在迭代精炼过程中注入专业知识，同时保持日常使用的自动化。例如，在处理医学影像数据时，专家可以引导系统根据特定的扫描协议进行自定义归一化。情景记忆会将这些干预与系统生成的尝试一同记录下来，创造出一种协作动态：自动化处理机械性复杂任务，而用户在拥有相关见解时贡献策略方向。
该系统已在某代码托管平台开源，技术细节发表在NeurIPS 2025论文中。FINISHED
