La optimización de enrutamiento ha sido durante mucho tiempo un problema en el campo de las redes. Con el rápido desarrollo de las aplicaciones de usuario, el tráfico de red está aumentando continuamente en dinamicidad, lo que hace que la optimización del problema de enrutamiento sea NP-duro. Los algoritmos de enrutamiento tradicionales no pueden garantizar tanto precisión como eficiencia. El aprendizaje profundo por refuerzo (DRL) ha mostrado recientemente un gran potencial en la resolución de problemas de redes. Sin embargo, las soluciones de enrutamiento basadas en DRL existentes no pueden procesar la información en forma de grafo en la topología de red y no generalizan bien cuando cambia la topología. En este documento, proponemos AutoGNN, que combina un GNN y DRL para la generación automática de políticas de enrutamiento. En AutoGNN, la distribución de tráfico en la topología de red es procesada por un GNN, mientras que un marco de DRL se utiliza para entrenar los parámetros de las redes neuronales sin experiencia humana. Nuestros resultados experimentales muestran que AutoGNN puede mejorar el retraso promedio de extremo a extremo de la red hasta en un 19.7% y presentar una mayor robustez contra cambios en la topología.