多代理人自動化機器學習管線：結合代碼驅動 RAG 與自我修復機制
本研究提出一套由五個代理人組成的統一架構，能自動從資料集與自然語言目標產出端對端機器學習管線。系統結合代碼為基礎的檢索增強生成（RAG）以理解微服務，並使用可解釋的混合推薦演算法選擇最佳組件。透過大型語言模型進行錯誤詮釋與自我修復，並從執行歷史中自適應學習。
研究動機與目標
機器學習管線的設計往往耗時且易出錯，研究團隊旨在打造一套能自動從資料與自然語言目標產出完整管線的多代理人系統。
系統架構概述
系統由五個代理人組成，分別負責：
- 資料概況分析（Profiling）
- 使用者意圖解析（Intent Parsing）
- 微服務推薦（Microservice Recommendation）
- DAG 結構建構（DAG Construction）
- 管線執行與自我修復（Execution & Self‑Healing）
其中，微服務推薦結合了代碼為基礎的檢索增強生成（RAG），讓模型能直接參考現有程式碼庫以理解服務功能。
可解釋的混合推薦機制
推薦模組同時考量多項指標（效能、相容性、資源需求），並以可視化方式呈現選擇依據，提升使用者對決策的信任度。
自我修復與適應學習
執行階段若發生錯誤，系統會利用大型語言模型解析錯誤訊息，自動調整管線並記錄修復歷史，未來可從中學習改進。
實驗與成果
研究在 150 個涵蓋不同領域的機器學習任務上進行測試，整體管線成功率達 84.7%，較傳統手動或單一模型基線有明顯提升。系統亦顯示出更佳的韌性與開發時間縮短。
結論
將代碼驅動的 RAG、可解釋推薦、自我修復與適應學習緊密結合於單一架構，可在多樣化情境下超越孤立式解決方案，為機器學習工作流自動化提供新方向。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
