图神经架构搜索因其在众多关系型任务中展现出强大的推理能力，近年来受到广泛关注。然而，当前普遍采用的图搜索空间过于侧重于节点特征的学习，而忽视了对层级化关系信息的挖掘。此外，由于消息传递机制的多样性，图搜索空间远大于卷积神经网络（CNN）的搜索空间，这使得传统搜索策略难以直接应用于复杂图结构的搜索。为此，我们提出了自动关系感知图网络增殖（Automatic Relation-aware Graph Network Proliferation, ARGNP），以高效搜索具备关系引导消息传递机制的图神经网络（GNN）。具体而言，我们首先设计了一种新型的双关系感知图搜索空间，该空间包含节点与关系学习操作，能够有效提取层级化的节点与关系信息，并为图上的消息传递提供各向异性的指导。其次，受细胞增殖过程的启发，我们提出了一种网络增殖式搜索范式，通过迭代执行网络分裂与分化操作，逐步确定最优GNN架构。在六个数据集上针对四类图学习任务的实验结果表明，本方法生成的GNN在性能上显著优于当前最先进的手工设计及基于搜索的GNN模型。代码已开源，地址为：https://github.com/phython96/ARGNP。