Manifold 嵌入是数据可视化的核心技术，但目前主流方法（如 t‑SNE、UMAP、PaCMAP）都是在固定目标下手工设计的，难以根据用户的结构保留偏好动态调整。AutoManifold 提出了一条全自动的算法生成流水线，核心思想是把嵌入过程拆解为亲和度、代价函数和优化策略三类原语，并用多代理大语言模型（LLM）对这些原语进行组合与调度。用户在界面上给出结构优先级（例如局部邻近、全局拓扑或类别分离），系统在每一次迭代中：
- LLM 根据用户偏好生成候选原语配置；
- 通过预定义的度量（如 K‑NN 保真度、全局结构保持率）评估生成的算法；
- 将评估结果反馈给 LLM，指导其在下一个循环中微调原语组合。 该循环持续进行，直至度量满足用户设定的阈值或收敛。实验在多个真实数据集上进行，覆盖低维、噪声高、类别不平衡等不同难度场景。与三种最常用的 SOTA 方法在相同评估框架下比较，AutoManifold 生成的算法在用户指定的结构保留指标上显著领先，同时保持原始数据的内在结构不被破坏。代码已开源于 https://github.com/buraksusam/AutoManifold_NeurIPS2026。
点评：AutoManifold 展示了 LLM 在算法创新层面的潜力，突破了单纯超参数调优的局限，实现了真正意义上的“按需”可视化算法生成，为交互式数据分析提供了新的技术路径。