LabAgent：利用AI智能体定制任何研究实验室以实现科学发现

摘要

科学研发是一个强调继承的连续过程。前辈开发的方法常被新研究者扩展，以探索更新颖、更深入的科学问题。然而，由于研究人员更替（如学生毕业），缺乏能够复现方法的人员，已投入大量精力和资源开发的方法难以延续。为解决这一问题，我们提出LabAgent，一种专为实验室持续工作设计的可复现与发现工具。LabAgent采用两种机制，确保所有技能可执行并验证，并记录修正方法与经验，支持直接纠错或避免类似错误。我们已在药物性质预测、生物医学问题分析、蛋白质变异效应预测以及统计遗传学等生命科学领域应用LabAgent。在所有领域中，LabAgent均优于商业通用型智能体，并能准确复现已发表的图表。总体而言，这些结果表明LabAgent能够有效整合并合理扩展实验室知识。

LabAgent：利用AI智能体定制任何研究实验室以实现科学发现：论文配图 — 图 1：LabAgent 框架。 (a) LabAgent的框架。目标以任务配置或带有存储库、数据集、指标和预算的论文的形式到达探索代理。该代理搜索文献和代码并将可执行技能存储在库中。再现代理将目标路由到一项技能，加载其课程，并通过从机器探测到故障分析的六个角色来处理它。它将结果与发布的值进行比较，并返回经过验证的指标及其背后的脚本、日志和配置，以及改进的技能。虚线路径重播已验证的技能。持久内存保存着将故障与其修复配对的技能、证据、日志和诊断，并且每个阶段都会读取和写入它。 (b) 下游应用。结果的五种设置，从公共排行榜上的药物属性预测到没有发布数字代码的精细映射。 (c) 技能是如何形成的。当目标指定存储库时，代理会读取存储库，而当目标未指定存储库时，代理会搜索代码。两条路线都达到了一份草稿，第二个模型调用根据标准对其进行了检查。只有端到端运行的技能才能进入库。