摘要： 联邦学习（FL）研究通常依赖于许多微小但影响深远的算法选择：优化器变体、服务器聚合规则、本地训练调度、归一化、正则化以及模型架构。这些选择手动探索成本高昂，且当候选更改可能同时改变FL训练或评估路径时，难以进行公平比较。在这项工作中，我们提出了Auto-FL-Research（AFR），一种用于FL算法配方搜索的受限编码智能体工作流。智能体可以提出并实现候选训练算法，包括服务器聚合规则、客户端更新调度、本地目标以及注册的模型变体，而任务配置文件则固定了变异表面、计算预算、通信契约和最终模型评估。每次实验记录候选分数、运行时间、编辑过的文件、产物以及失败状态。我们在五个医疗跨孤岛FLamby任务上，以及针对五个固定LEAF数据集加上LEAF合成任务的分组客户端配置文件上评估了AFR。五次种子重复评估支持在四个FLamby任务和六个LEAF配置文件中的五个上取得收益，同时也暴露了种子敏感和搜索选择的失败案例。相同预算的控制实验表明，部分收益对应FL配方的更改，而其他改进则可通过固定表面的标量控制恢复，或在重复或保留评估中失败。这些混合结果本身就是贡献的一部分：它们展示了如何将智能体生成的候选方案区分为重复的FL机制、固定表面调优效果以及选定的单次运行产物。