ARMOR：经自适应效用感知多工具推理的反应可行性预测智能体框架

反应可行性预测作为计算化学中的一个基本问题，受益于人工智能（特别是大语言模型）最新进展所带来的各种工具。然而，各个工具的性能在不同的反应中差异很大，因此任何单个工具都很难在所有情况下始终表现良好。这就提出了一个关键的挑战：如何有效地利用多种工具来获得更准确的可行性预测。为了解决这个问题，我们提出了 ARMOR，这是一个代理框架，它可以显式地对特定于工具的实用程序进行建模，自适应地确定工具的优先级，并进一步解决潜在的工具冲突，以生成每个反应的最终预测。与依赖于对各种工具进行简单聚合或启发式分配的现有方法不同，ARMOR 将工具组织成一个层次结构，优先考虑性能最佳的工具并在需要时推迟其他工具，通过特定于工具的模式来表征其优势，并通过记忆增强推理解决冲突。对公共数据集的大量实验表明，ARMOR 始终优于强大的基线，包括单一工具方法以及各种工具聚合和工具​​选择方法。进一步的分析表明，这些改进对于工具预测相互冲突的反应尤其显着，凸显了 ARMOR 在利用多个工具的互补优势方面的有效性。该代码可通过 https://anonymous.4open.science/r/ARMOR-E13F 获取。