awesome-automated-ai：自动化机器学习与 AI 智能体工具精选集

awesome-automated-ai是聚焦自动化机器学习（AutoML）、超参数优化和自主AI智能体领域的开源精选资源列表，旨在降低机器学习使用门槛，帮助开发者与研究者高效找到全流程自动化解决方案及智能体工具，覆盖从数据预处理到模型部署的关键环节，适用于不同技术水平用户。

机器学习流程复杂度日益增加，从数据预处理、特征工程到模型选择、超参数调优及部署监控，需专业知识与大量时间投入。AutoML与自主AI智能体的兴起，旨在降低使用门槛、提升专家效率，awesome-automated-ai项目作为资源汇总，提供精心筛选的工具清单应对这一挑战。

awesome-automated-ai是开源的awesome list，专注AutoML、超参数优化、自主AI智能体三大领域，以结构化方式组织工具/框架/库。区别于泛AI资源列表，聚焦"自动化"主题，覆盖全流程自动化解决方案及自主决策AI系统。

自动化机器学习（AutoML）

• 端到端平台：Auto-sklearn、TPOT、H2O AutoML、Google AutoML
• 神经架构搜索（NAS）：Auto-Keras、NNI、ENAS/DARTS
• 自动特征工程：Featuretools、TSFresh、AutoFeat

超参数优化

• 贝叶斯优化：Optuna、Hyperopt、BoTorch、Ax
• 进化算法：DEAP、Ray Tune
• 多保真度优化：Hyperband、BOHB、ASHA

自主AI智能体

• 框架：LangChain、AutoGPT、BabyAGI、CrewAI、Microsoft AutoGen
• 工具调用：OpenAI Function Calling、Toolformer、Gorilla
• 记忆：MemGPT、Vector DB集成

• 场景选择：快速原型用Auto-sklearn/TPOT；生产部署用H2O/Google AutoML；深度学习实验用NNI/Optuna；智能体开发用LangChain/CrewAI
• 技术栈选择：Python生态选Auto-sklearn/Featuretools；PyTorch用户选BoTorch/Optuna；云端部署选AWS SageMaker/Google AutoML；企业级需求选H2O/DataRobot
• 资源约束：计算有限用Hyperband/ASHA；时间紧迫用贝叶斯优化；需可解释性用遗传算法/规则方法

• 入门：理解AutoML流程→用Auto-sklearn/TPOT做项目→学超参优化原理→用Optuna实践
• 进阶：深入贝叶斯优化数学→尝试NAS→学多智能体概念→用LangChain构建智能体
• 高级：研究最新算法论文→自定义扩展框架→探索智能体前沿→参与开源贡献

• 大模型驱动AutoML：LLM生成代码、解释模型、作为优化器
• 多模态AutoML：支持文本/图像/音频等多类型数据
• 自主科学发现：智能体参与实验设计、数据分析、假设提出
• 可解释AutoML：自动化同时提供清晰决策依据

awesome-automated-ai为自动化AI领域提供宝贵资源地图，帮助不同阶段用户找到合适工具。随着AI技术进步，自动化工具将降低门槛、提升效率，让AI能力惠及更广泛开发者与组织。