FLAML — 快速轻量级 AutoML 库
这是可索引项目报告证据页：它保留 FLAML — 快速轻量级 AutoML 库 的源材料入口、机制线索和限制提醒；正文仍需 reader/editor 与 academic public-copy review 后才能当作最终结论引用。
FLAML — 快速轻量级 AutoML 库
基本信息
| 字段 | 内容 |
|---|---|
| GitHub | https://github.com/microsoft/FLAML |
| Stars | 4,300+ |
| 主要语言 | Python |
| 许可证 | MIT License |
项目简介
FLAML 是由微软研究院开发的轻量级 Python 自动化机器学习库，旨在以极低的计算成本自动发现高精度的机器学习模型。它通过一种新颖的经济型调优方法（CFO 和 BlendSearch），能够在异构大规模搜索空间中高效地进行超参数优化和模型选择。除了传统的 AutoML 功能外，FLAML 还集成了大语言模型（LLM）工作流自动化能力，支持基于 LLM 的智能体应用构建。
目录结构
flaml/
├── flaml/
│ ├── automl/ # AutoML 核心引擎
│ │ ├── model.py # 模型定义与训练
│ │ └── ml.py # 机器学习流水线
│ ├── tune/ # 超参数调优模块
│ │ ├── search.py # 搜索策略实现
│ │ └── analysis.py # 实验分析工具
│ ├── autogen/ # LLM 智能体集成
│ └── default/ # 默认配置与预设
├── notebook/ # Jupyter 示例笔记本
├── test/ # 测试套件
├── docs/ # 文档
└── setup.py核心模块分析
1. AutoML 引擎 (flaml/automl/)
这是 FLAML 的核心模块，提供 scikit-learn 风格的估计器接口。用户只需三行代码即可启动 AutoML 流程，自动处理分类、回归、时间序列预测等任务。引擎内部集成了 LightGBM、XGBoost、Random Forest 等多种学习器，并通过经济型搜索策略自动选择最优模型。
2. 超参数调优模块 (flaml/tune/)
提供了创新的 CFO（Concatenated Fractal Optimization）和 BlendSearch 算法，结合了局部搜索的高效性和全局搜索的探索能力。该模块不仅服务于 AutoML，还可独立用于任意超参数优化场景，支持并行化搜索和多目标优化。
3. LLM 工作流模块 (flaml/autogen/)
集成了 AutoGen 多智能体对话框架的子集，支持基于 LLM 的代码生成、检索增强生成（RAG）和智能体协作。该模块将 AutoML 的自动化理念延伸至 LLM 应用开发领域。
技术亮点
- 经济型搜索策略：采用 CFO 和 BlendSearch 算法，通过自适应搜索空间缩减和成本感知的资源配置，大幅降低调优开销，相比传统方法可减少数倍计算成本
- scikit-learn 兼容接口：提供与 scikit-learn 完全兼容的 API，支持
fit()/predict()范式，降低学习门槛，方便集成到现有 ML 流水线 - 多任务统一框架：在统一的 API 下支持分类、回归、排序、时间序列预测、NLP 和计算机视觉等多种任务，无需针对不同任务切换工具
- LLM 工作流自动化：将 AutoML 思想应用于 LLM 领域，支持自动 prompt 优化、智能体编排和 RAG 管线构建
与 Self-Evolve 关联
FLAML 展示了”自动化搜索与优化”的核心理念如何从超参数空间扩展到 LLM 工作流设计，其经济型搜索策略为 AI 系统的自我调优提供了算法基础，是 AI Self-Evolution 中”自动发现更优配置”范式的典型实践。
参考资料
- FLAML: A Fast and Lightweight AutoML Library — Microsoft Research (https://www.microsoft.com/en-us/research/publication/flaml-a-fast-and-lightweight-automl-library/)
- FLAML 论文: arXiv:1911.04706 (https://arxiv.org/abs/1911.04706)
- FLAML 官方文档 (https://microsoft.github.io/FLAML/)
- AutoGluon: AutoML Benchmark 2025 相关论文