用途：为机器学习项目自动化超参数调优与模型选择，使用 Optuna（单机、简单）或 Ray Tune（分布式、多机/多 GPU）配合高效搜索策略，适用于新项目快速寻找配置、新数据重训练、多算法对比、时间有限但需近优性能，以及需要可复现优化过程的团队。
主要能力：安装与搭建环境（Optuna、Ray Tune、XGBoost、LightGBM、scikit-learn、MLflow、TensorBoard 等）；定义搜索空间与目标函数，使用 TPE、CmaES、NSGA-II 采样器及 Hyperband、Median、SuccessiveHalving 剪枝；用 ASHA、PBT 调度器做分布式优化；用 MLflow 记录参数、指标并注册模型；保存并部署最优模型、生成推理脚本与监控。
使用方式：建虚拟环境后按需安装，例如 pip install optuna optuna-dashboard 或 pip install "ray[tune]" optuna hyperopt bayesian-optimization，并建立 automl/{configs,experiments,models,results} 目录；依次定义搜索空间与目标、运行优化、按需启用 Ray Tune、接入 MLflow（mlflow ui --backend-store-uri file:./automl/mlruns）、导出模型。
限制：不生成特征，仅调参；搜索空间过宽浪费算力；易过拟合验证集；需变量化类别特征、处理缺失与不平衡；注意算力预算与持久化保存中间结果；兼容 Python 3.8-3.11。具体代码实现见原文示例文件，本文未提供收费与平台信息。