合成特征抽取器：一种Agentic的算法选择方法

约束满足问题的算法选择需要抽取能捕捉问题结构的特征。手工设计特征抽取器需要深厚的领域专长，且当新的问题类出现时很快成为瓶颈。我们提出一种自动化方法，使用大语言模型（LLM）在agentic的检查-修复-验证循环中合成可执行的Python脚本，作为可解释的、问题特定的特征抽取器。给定一个高层MiniZinc模型和一个实例，LLM Agent生成代码，构建类型化图表示并计算图密度、变量聚类和约束紧度等结构属性。我们在三个组合问题（车辆路径、汽车排序、定长纠错码）上以五个最先进求解器的组合评估该方法。合成的抽取器得到的算法选择器在性能上持续优于专家整理的mzn2feat特征（在FLECC上测试集准确率最高提升8.3个百分点）和最佳的基于transformer的trans2feat变体。同时，合成的特征抽取器仍然可检查。