面向实验的智能体，面向智能体的实验：AI赋能实验科学的设计文法

AI系统正成为组织工作与知识工作中的积极参与者。它们越来越多地与人类交互、协调工作流，并以多智能体编排的方式运作。因此，理解其影响不能只靠测量输出准确率，还需要关于机制、委托、反馈与控制的证据。实验仍是这一任务的核心，但实验也面临一个递归挑战：我们需要面向智能体的实验来研究这些编排方式，也可能需要智能体辅助的实验来帮助搜索不断扩大的可能设计空间。然而，人机协作与智能体工作流的实验条件大多仍以行文形式描述，难以比较、复用或审计。我们将其界定为AI赋能知识生产中的工作流表示、可追溯性与治理问题。我们提出SEED（Structural Encoding for Experimental Discovery），一个将实验条件表示为带类型的行为者-流图的框架。SEED支持三种设计功能：将条件描述为交互结构、相对于已编码的既有设计评估结构新颖性、以及在可行性与治理约束下生成候选设计。我们报告了一项轻量的实证可行性检验，在医疗分诊设计任务中比较了对图盲视的生成与SEED引导的生成。在这一诊断性对比中，SEED引导的候选设计展现出更清晰的行为者-流变化、假设与治理检查，支持了该文法作为设计辅助工具的可行性。本文最后指出围绕新颖性、可复现性、效度、探究多样性与问责的治理张力。