本文提出一种可迁移的自动调参框架，针对机器学习中常见的两层决策：专家先选定方法类别，再手动挑选关键组件。框架基于多智能体大语言模型（LLM），分别承担分析员、编码员和记录员角色，并配备实验日志与沙箱执行环境。不同于对完整脚本或离散结构空间进行全局搜索的系统，本文的框架只在语义受限的开放空间内生成代码，针对指定组件进行修改，保持整体网络结构不变。\ \ 框架在两类任务上进行验证：一是使用相关学习的脉冲神经网络进行分类，二是利用物理信息神经网络（PINN）求解高阶微分方程。实验覆盖五个子任务，包括 MNIST 与 Digits 上的脉冲分类，以及广义非线性薛定谔方程（GNLSE）和 Kuramoto–Sivashinsky（KS）方程的边值问题。结果显示，智能体在分类任务上分别提升 $13\%$（MNIST）和 $6\%$（Digits）的准确率；在 GNLSE 单孤立子解析解上误差降低约 $2.5\times10^3$ 倍；在带高斯扰动的 GNLSE 实验中不变量保持误差下降约 $325$ 倍，平均多次初始化下降超过 $100$ 倍；KS 问题的质量漂移降低 $14$ 倍。\ \ 综上，框架能够在不改变内部结构的前提下，对不同性质任务的关键组件实现自动调优。\ \ 点评