用基于图的工具改进小语言模型的分子性质预测

小语言模型（SLM）在从SMILES字符串零样本预测分子性质上展现前景，但常苦于结构盲视——序列表示欠指定关键的图拓扑线索。我们提出模块化的上下文增广提示框架：在推理时支持智能体工具使用——经训练的GNN专家模型提供带置信度的预测提示，另一个GNN抽取实例专属的解释子图（如子图SMILES与配套解释段落）。我们在MUTAG与Tox21上、以从仅SMILES到全工具的五种提示配置评估三个常用SLM。跨两个数据集：用图派生上下文增广提示带来可观的准确率增益——常超25%相对改进、在Tox21上最高74%。我们经基于必要性的边删除干预进一步验证抽取基序的功能相关性。尽管增益可观，与专用GNN模型的差距仍存——凸显文本条件化推理对分子结构的价值与限度。