面向基于语言的药物发现智能体的约束感知纠错记忆

大语言模型正使自主药物发现智能体日益可行，但在这一场景中，可靠的成功并不取决于任何单个动作或单个分子。它取决于最终返回的集合是否联合满足集合大小、多样性、结合质量与可开发性等协议层面的要求。这催生了一个根本性的控制问题：智能体逐步进行规划，而任务有效性却在整个候选集合的层面被裁定。因此，现有基于语言的药物发现系统往往依赖冗长的原始历史与定义不足的自我反思，导致失败定位不精确，且面向规划器的智能体状态日益嘈杂。我们提出CACM（Constraint-Aware Corrective Memory，约束感知纠错记忆），一个围绕精确的集合级诊断与简洁的记忆回写机制构建的基于语言的药物发现框架。CACM引入协议审计与有据诊断器（grounded diagnostician），二者共同分析横跨任务要求、口袋（pocket）上下文与候选集合证据的多模态证据，以定位协议违规、生成可执行的修复提示，并使下一步动作偏向最相关的纠正。为保持规划上下文紧凑，CACM将记忆组织为静态、动态与纠错三个通道，并在回写前进行压缩，从而在保留持久任务信息的同时，仅暴露与决策最相关的失败。我们的实验结果显示，CACM将靶标级成功率较最先进基线提升了36.4%。这些结果表明，可靠的基于语言的药物发现不仅受益于更强大的分子工具，也受益于更精确的诊断与更经济的智能体状态。