ARMOR：基于自适应工具优先级的反应可行性预测代理框架
人工智能
2026-05-11 v1 多智能体系统
摘要
反应可行性预测作为计算化学中的基本问题，受益于人工智能尤其是大语言模型的最新进展所启发的多种工具。然而，单个工具在不同反应中的性能差异巨大，难以在所有案例中始终表现良好。这引发关键挑战：如何有效地利用多个工具以获得更准确的可行性预测。为此，我们提出ARMOR（An Agentic Framework for Reaction Feasibility Prediction via Adaptive Utility-aware Multi-tool Reasoning），一种显式建模工具特定效用的代理框架，自适应地优先排序工具，并进一步解决潜在工具冲突以为每个反应生成最终预测。与现有依赖简单聚合或启发式分配的工具方法不同，ARMOR将工具组织为层次结构，优先识别表现最佳的工具并在必要时推迟其他工具， 通过工具特定模式刻画其优势，并通过记忆增强推理解决冲突。大量实验表明，ARMOR consistently 优于强基线，包括单工具方法以及各种工具聚合和工具选择方法。进一步分析显示，改进在预测工具冲突的反应上尤为显著，凸显了ARMOR在充分利用多个工具的互补优势方面的有效性。代码已在 https://anonymous.4open.science/r/ARMOR-E13F 提供。
引用
@article{arxiv.2605.07103,
title = {ARMOR: An Agentic Framework for Reaction Feasibility Prediction via Adaptive Utility-aware Multi-tool Reasoning},
author = {Ye Liu and Botao Yu and Xinyi Ling and Daniel Adu-Ampratwum and Xia Ning},
journal= {arXiv preprint arXiv:2605.07103},
year = {2026}
}