NMR 阐释是一个代理搜索问题，而不是一个建模问题

核磁共振 (NMR) 数据的结构解析仍然是化学、材料科学和生物学的基本瓶颈。我们证明，智能体AI系统可以以与研究生水平的化学学生相当的水平执行此任务。我们不是训练一个模型来直接将光谱映射到结构，而是构建一个由冻结的 LLM 支持的单一自主代理，该代理与一个策划的环境进行交互，可以访问特定领域的处理工具、验证检查、列表化学位移以及概述化学家思维过程的逐步性质的指令。在 Alberts 数据集上，我们的代理以 71% 的 top-1 准确率阐明结构，与研究生 66% top-1 准确率的表现相当。在 van Bramer 和 AstraZeneca 数据集上，我们的代理分别实现了 80% 和 20% 的 top-1 准确率，优于在大型模拟光谱数据集上训练的零样本端到端深度学习模型。这些结果表明，将 NMR 阐明重新构建为 LLM 引导的约束搜索，而不是建模任务，会产生巨大的收益，并提出了一条通往多步骤编排框架的路径，该框架集成了各种工具、模型和领域知识，以协助自动化光谱分析。