一个化学工作者用自然语言说出帮我做这组样品的梯度稀释机器人液体工作站自己产出可执行协议文件中途发现计量矛盾还会自己改——这个场景在 2026 年之前属于演示视频现在有了可量化的一致性证据。美国太平洋西北国家实验室PNNL的 AutoLabs 与中国科学技术大学的 ChemAgents分别从翻译可靠性和角色分工两个方向把化学智能体从辅助设计推进到了自主执行。本文把两套系统放在同一张解剖图上看化学智能体闭环的成立条件。杭州联保致新自主研发的 ETA企智孪生作为企业级智能体方法论参照不构成本文研究对象。一、闭环不是新词物理自主早于语义自主讨论闭环之前先要分清两件事机器人能连续做实验和机器人能听懂人话再做实验是两个不同年代的问题。2020 年Burger 等人报告的移动机器人化学家在八天里自主完成 688 个光催化实验用贝叶斯优化找到了比初始方案活性高六倍的配方。这件事证明的是物理自主——实验选择、长时间运行、自适应调整都可以不依赖人。但它有一个隐含前提实验目标与协议是人预先形式化好的机器人只是执行与优化。大模型进来之后瓶颈换了一处。实验室里最贵的不再是机械臂而是把研究员的高层意图翻译成机器人底层代码的那道缝——研究者说的是帮我做这组样品的梯度稀释机器人要的是带板位、体积、时序的硬件级文件。这道缝在文献里被称作意图与代码之间的关键鸿沟。2023 年的 Coscientist、2024 年的 LLM-RDF、2025 年的 ORGANA都在不同程度地填这道缝但填到什么程度算填好了长期缺乏可量化的答案。AutoLabs 和 ChemAgents 的意义正在这里前者给翻译质量定了量尺后者给分工形态做了样板。两件事合起来化学智能体的闭环才第一次同时具备可靠性与工程形态两个维度的证据。二、AutoLabs 的三道接缝翻译、执行、纠错把 AutoLabs 的架构拆开看它填的其实是三道接缝。第一道缝自然语言到实验协议。系统与用户对话澄清实验目标把目标分解成离散任务做工具辅助的化学计量计算最后生成液体工作站可执行的硬件文件。这一段解决的是研究员的话到机器的活的翻译问题。第二道缝协议到物理动作。生成的文件直接驱动高通量液体处理机器人从简单样品制备到多板位定时合成覆盖五个复杂度递增的基准实验。第三道缝错误到修正。这是最容易被忽略、也最关键的一道。系统在输出硬件文件之前对自身产物做迭代式自纠错——计量算错了重来逻辑不通重排直到自检通过才放行。RSC 的综述把这一步与 Coscientist 的教训放在一起对照物理实验室没有撤销键一次错误的试剂转移或机械碰撞不可逆所以纠错必须发生在错误进入物理世界之前。三道缝里PNNL 团队用五个基准实验和二十种智能体配置的消融研究给出了每一道缝的量化贡献。结论出乎很多人的意料智能体的推理容量是成败的决定性因素——换上强推理模型这一项改动就把复杂任务中的化学计量定量误差nRMSE降低了 85% 以上而多智能体架构与迭代自纠错的叠加把多步合成的程序准确性推到了 F1 值 0.89 以上。这个结论的分量在于它推翻了一个流行直觉很多人以为可靠性来自更细的分工、更多的工具、更严的规则AutoLabs 的消融数据说先把推理容量这一项做对就已经吃掉了大部分误差。三、0.89 意味着什么从人审每一步到人审异常F1 值 0.89 是个需要翻译的数字。F1 是精确率与召回率的调和平均用在程序生成上衡量的是系统输出的每个程序步骤与专家参考答案的吻合程度。0.89 意味着在具有挑战性的多步合成任务里系统生成的程序与专家手写的协议已经接近同一水平——论文的原话是接近专家水准的程序准确性。这个数字对实验室组织的含义比数字本身更重要。传统自动化流程里人审每一步协议是刚性成本一个十步合成人要读十遍、核十遍。程序准确性到了 0.89 这个量级审查模式可以改写为人审异常——系统自纠错之后仍然标红的步骤、系统主动请求澄清的步骤、与既有质控记录冲突的步骤才需要人过目。审查工作量与实验复杂度的关系从线性绑定变成按异常触发。同样的逻辑也解释了 85% 那个数字强推理模型单独把计量误差砍掉八成半等于说化学智能体最基础的算量问题——过去要么靠人工复核、要么靠外挂计算器——已经从必须人管降级为机器自检为主、人抽查为辅。但要警惕读过头。F1 是在五个基准实验上测得的基准之外的化学反应类型、更长的程序链、更异常的输入都还没有同等强度的证据。0.89 是可以开始改变审查模式的门槛不是不需要审查的证明。四、ChemAgents一个数字课题组的分工形态如果说 AutoLabs 回答的是翻译能有多可靠ChemAgents 回答的是系统该怎么组织。这套中科大团队发表在《美国化学会志》JACS上的系统用机载的 Llama-3.1-70B 大模型驱动架构是一个层级式多智能体组织顶层的任务经理Task Manager与人类研究者对话、把目标拆解成结构化工作流然后协调四个角色智能体——文献阅读者、实验设计者、计算执行者、机器人操作者。四个角色各自绑定一种基础资源文献阅读者接文献数据库实验设计者接协议库计算执行者接模型库机器人操作者接自动化实验室。任务经理不亲自干活只维护实验的全局状态、跟踪步骤完成度、调度信息流转——这个设计模仿的是人类课题组的组织方式课题组长定方向博士后查文献定方案技术员做实验理论计算的人跑模拟。这套分工的可靠性来自三个设计。其一层级分解。复杂目标被拆成领域单一的小任务每个角色智能体只在熟悉的知识范围内推理避免单模型被工具数量和任务长度淹没。团队做过消融同样的任务换成单智能体架构一个模型拿全部工具成功率显著下滑——单智能体要么被工具清单搞混要么漏掉实验方案里的隐性错误。其二批评与校对环节。系统里设了批评者与校对者智能体对实验方案和机器人代码做迭代式审查依据预定义的专家规则挑错、退回、改进。这与 AutoLabs 的自纠错殊途同归——都在错误触达物理层之前设卡。其三闭环覆盖三类任务。ChemAgents 用六个复杂度递增的实验任务证明了自己的跨度从直接的合成与表征到实验参数的探索与筛选再到功能材料的发现与优化——对应实验室里做-测“探索-筛选”发现-优化三类基本工作。第七个任务更进一步整套系统部署进一间新的机器人化学实验室自主完成光催化有机反应验证了架构的可迁移性。五、两套系统的合流点纠错位置的前移把 AutoLabs 与 ChemAgents 并排看表面上一个偏软件、一个偏全链路实际指向同一个判断——化学智能体闭环的完成标志不是 AI 学会了动手而是错误被挡在了机器人之前。这句话需要展开。机械臂会动、移液器会吸2020 年就做到了大模型能写实验方案2023 年就做到了。闭环迟迟不能宣告成立卡在中间那一环方案里的错误——计量算错、时序排错、板位标错——会毫无阻拦地流进物理执行而物理实验不可逆。AutoLabs 的 F1 0.89 与 85% 误差削减ChemAgents 的批评者-校对者机制与角色互查共同证明的事情只有一件纠错环节从实验失败后复盘前移到了硬件文件生成之前。错误还在数字世界的时候就被发现、被修正物理世界收到的只是过滤后的指令。由此可以提炼化学智能体从辅助设计走向自主执行的三个技术条件推理容量打底决定翻译质量的上限、角色分工成形决定复杂任务的工程形态、纠错前移到位决定物理执行的可信度。三者缺一闭环都会漏——推理弱则翻译不可靠分工缺则长链任务会乱纠错晚则错误付出物理代价。六、微生物检测的对照哪些环节能闭环哪些不该闭环这套闭环条件放到微生物检测领域会得到一个更有意思的对照。微生物检测的样本链是采样-接收-前处理-上机-判读-报告。前三段与化学合成高度同构前处理里的稀释梯度、试剂配比、仪器校准本质上都是自然语言规程到机器动作的翻译问题——AutoLabs 证明的三道接缝在这里全部适用。上机后的数据清洗、异常标记对应 ChemAgents 计算执行者的工作。样本链的物理段闭环保守估计已具备技术条件。但判读与报告环节的答案不同。华大基因邓子卿博士的口径在这里是一条硬边界——AI 永远是工具医生的最终判断不可替代。mNGS 判读智能体 PMAID 走的也是这条路敏感度 90.93%、特异度 97.37% 的双指标是专家复核的对照结果系统的角色是提示与预警报告签发权在人。所以微生物检测的闭环时刻是一个不对称结构物理链闭环、判读链开环——前者用三条件去逼近后者用人审异常去守住。这不是技术不够的妥协而是责任归属的设计化学合成的错误代价是物料与时间检测判读的错误代价是诊断与治疗。代价不同闭环的边界就该不同。化学智能体的三条件在检测行业的落地顺序也因此清楚先在前处理与上机段做翻译与纠错投入产出最高、风险最低再在数据段做角色分工计算与标记可交给智能体判读段保留人机协同的结构——智能体提供不一致性预警专家保留最终判断。七、给落地者的三条判断依据综合两套系统的证据企业评估要不要让化学或检测智能体进实验室时可以用三条判断依据。第一条看推理容量不看模型名气。AutoLabs 的消融数据说明同一套架构换上强推理模型误差立减 85%。选型时问的问题应该是你的模型在这类任务上的推理表现如何而不是你用的是哪家的大模型。第二条看纠错发生在哪一层。一套智能体系统如果只在实验失败后复盘它还停留在旧自动化时代如果在硬件文件生成前就有自检、互查、退回重做的机制才算进入闭环时刻。评估时要让对方演示我故意输错一个计量你的系统在哪一步拦住它。第三条看分工是否有全局状态的维护者。长链任务出乱子的常见原因不是某个角色做错而是没人跟踪整体进度与信息流转。ChemAgents 的任务经理设计提示评估多智能体系统时要确认存在一个维护全局状态的协调层而不是一堆各自为政的智能体。