FedReady：用于联邦组建的受限智能体

联邦学习（FL）运行时将聚合与部署标准化，但每项新研究仍需组建联邦：选择符合任务资格的站点，并准备其本地数据和任务代码，以开展联邦训练或分析。当目标发生变化时，这一准备过程需要重复进行，而原始记录和站点私有映射不会被纳入跨站点 FL 消息。我们提出 FedReady，这是一个利用受限 LLM 智能体进行联邦组建的系统。智能体提出共享契约、本地适配器和任务代码；运行时掌控工作流状态，且仅在产物通过与其摘要值绑定的检查后才予以接受。候选站点发现优先考虑召回率；本地资格验证则在站点获准加入前检查其是否支持任务。一旦参与站点和产物确定，便无需准备智能体介入，即可开展常规联邦训练或分析。在 39 个模拟视网膜站点和四项任务中，发现阶段在精确率为 0.65 时达到 1.00 的召回率；本地资格验证剔除了全部 17 个假阳性，且未遗漏任何符合资格的站点—任务对。参与站点提供了 45,575 个任务—记录实例，并完成了四项各含 100 轮的作业，其中一项使用了运行时生成的契约。在十个患者队列中，准备过程支持了七个患者群体，并将三个来源的终点判定为不受支持。与人工准备的参考人群及分析结果（人工参考）相比，生存曲线的最大差异为 0.001133。我们还分析了 19 次开发失败、针对分类的消融实验，以及独立和异构智能体配置。这些结果证实了在常规 FL 训练或分析之前进行任务特定数据准备的可行性。