面向蛋白质功能理解的交错工具调用推理

大语言模型（LLM）的最新进展凸显了思维链推理在数学和编程等符号领域的有效性。然而，我们的研究表明，将这类基于文本的推理范式直接迁移到蛋白质功能理解上是无效的：强化学习主要放大表面的关键词模式，而未能引入新的生物学知识，导致泛化能力有限。我们认为，蛋白质功能预测是一项知识密集型的科学任务，从根本上依赖外部生物学先验和计算工具，而非纯粹的内部推理。为弥合这一差距，我们提出 PFUA，一个统一问题分解、工具调用和有据可依答案生成的工具增强蛋白质推理 Agent。PFUA 不依赖长且无约束的推理轨迹，而是整合领域专用工具以产生可验证的中间证据。在四个基准上的实验表明，PFUA 持续优于纯文本推理模型，平均性能提升 103%。