联邦学习研究者常常面临"下一步该尝试什么"的问题——新的聚合规则、FedProx 系数、优化器设置或模型架构调整都可能看起来很有前景。NVIDIA 发布 FLARE Auto-FL 示例，通过 AI 智能体驱动的自动化研究循环，帮助研究者更高效地评估更多想法。

Auto-FL 的核心思路是：从可比较的基准任务出发，给智能体清晰的研究控制平面，设定固定训练预算，约束变异空间，并将每次结果记录到实验分类账中。智能体可在保持 FLARE 客户端 API 和 Recipe API 合约的前提下，自主迭代候选 FL 策略。

Agent 驱动的实验循环受到充分约束以避免破坏 FL 合约，结果可测量以比较不同想法，足够稳定以支持长期自主运行，同时将完整的 Auto-FL 活动转化为可复现、可溯源的研究报告。每个候选运行的指标、超参数和决策理由都记录在可审计的实验分类账中。