由于对不同网络环境的潜在的适应性,基于学习的广域网拥塞控制算法越来越受到人们关注。与此同时,现有的基于学习的广域网拥塞控制算法在实际部署过程中却有着一系列的实际问题。在实际部署中,我们发现相对于传统的广域网拥塞控制算法,已有的基于学习的算法在公平性,收敛性,友好性等拥塞控制评价指标上的表现较差,而且这些算法有着较差的可维护性和更高的运行开销。这些问题导致已有的基于学习的广域网拥塞控制算法无法在生产环境之中实际部署。与此同时,传统的广域网拥塞控制算法在收敛性、公平性、运行开销和可维护性等多个性能指标上面优于现有的基于学习的广域网拥塞控制算法,但是由于其固定的控制逻辑,导致传统的拥塞控制算法不具备对不同的网络环境的适应性。受此启发,我们设计了Nunchucks,一种新的基于学习的广域网拥塞控制算法。我们通过结合领域专家（domain expert）的专业知识以及机器学习的学习能力,将拥塞控制算法的设计解耦为参数化的拥塞控制算法类的设计和学习算法的设计。参数化的拥塞控制算法类由领域专家设计,采用了和传统拥塞控制算法相近的设计思路,不同的是我们在该拥塞控制算法类中泛化了相应的关键参数,规避了传统拥塞控制算法固定的控制逻辑的弊端,同时,通过精心设计该拥塞控制算法类的控制逻辑与精心挑选相应的关键参数,我们在理论上分析了该拥塞控制算法类的收敛性和公平性等拥塞控制评价指标。我们通过考虑在互联网中除拥塞控制算法之外的因素对性能的影响,在贝叶斯优化算法的基础上设计了一种学习算法,该学习算法通过自动地调整该拥塞控制算法类的参数,使得Nunchucks具备了自适应当前网络环境的动态变化的能力。仿真实验和真实生产环境中的实验表明,和现有的基于学习的广域网拥塞控制算法相比,Nunchucks有着更小的运行开销、良好的收敛性与公平性、可接受的友好性,以及对学习过程中未见的网络环境更好的适应性,同时Nunchucks在生产环境中的性能表现显著地优于传统的广域网拥塞控制算法。