用途：把超参数调优与模型选择自动化，避免手动试错。可定义搜索空间，让工具通过贝叶斯优化等方式寻找较优配置，并将实验过程记录下来。
主要能力：一是基于 Optuna 的超参数优化，定义 objective 后运行优化，生成 study.db、优化历史图、参数重要性图、平行坐标图和 best_params.json；二是算法选择加调优，用 AutoMLPipeline 添加 xgboost、lightgbm、random_forest、logistic_regression 等候选模型及搜索空间，逐个搜索后自动选出最佳模型；三是神经网络架构搜索，用 NeuralArchitectureSearch 搜索层数、层大小、激活函数、dropout、优化器和学习率等。
集成与用法：可与 Optuna、Auto-sklearn、H2O AutoML 配合使用，例如 configure_optuna、AutoSklearnOptimizer、H2OAutoMLOptimizer。运行后把试验记录到 .specweave/increments/0042.../experiments/ 下，并可通过 /sw:sync-docs update 同步到内部文档。命令包括 /ml:optimize 0042 --trials 100、/ml:compare-algorithms 0042、/ml:optimization-report 0042。
适用场景：表格数据分类回归的调参、多算法对比选型、深度学习架构搜索，以及需要记录优化过程以便复现的机器学习开发流程。
限制与注意事项：资料建议先用默认参数做基线并做交叉验证，搜索预算按阶段设置（约 20、100、500 次试验），必要时用剪枝提前停止；自动化可能耗时较长，收益在约 100-200 次试验后递减。实际依赖环境、可用算法范围、是否支持并行及具体计费方式暂未提供。