Mozi：面向药物发现 LLM 智能体的受治理自主

工具增强的大语言模型（LLM）智能体有望统一科学推理与计算，但其在药物发现等高风险领域的部署受两个关键瓶颈制约：工具使用治理不受约束和长程可靠性差。在依赖密集的制药流水线中，自主智能体常漂移到不可复现的轨迹，早期幻觉以乘法方式累积成下游失败。为克服这一点，我们提出 Mozi，一个桥接生成式 AI 灵活性与计算生物学确定性严谨的双层架构。A 层（控制平面）建立受治理的监督者-工作者层级，强制基于角色的工具隔离、把执行限制在受约束动作空间，并驱动基于反思的重规划。B 层（工作流平面）把经典药物发现阶段——从靶点识别到先导优化——操作化为有状态、可组合的技能图。该层整合严格数据契约与策略性人机协同（HITL）检查点，在高不确定性决策边界保障科学有效性。秉持“安全任务自由推理、长程流水线结构化执行”的设计原则，Mozi 提供内建稳健机制与轨迹级可审计性，以完全消除误差累积。我们在精选生物医学智能体基准 PharmaBench 上评估 Mozi，展现优于既有基线的编排准确率。此外，通过端到端治疗案例研究，我们展示 Mozi 遍历大规模化学空间、执行严格毒性过滤并产出高竞争力计算候选分子的能力，把 LLM 从脆弱的对话者切实转变为可靠、受治理的联合科学家。