ChemAmp：通过可组合智能体实现化学工具增强

尽管基于 LLM 的智能体已被证明能够掌握科学领域（特别是化学领域）的工具编排，但其单任务性能仍受到底层工具约束的限制。为此，我们提出工具增强，这是一种通过在单个任务内进行优化、动态协调来增强专业工具集合能力的新范式。作为该范式的实例化，我们引入了 ChemAmp，这是一个计算轻量级的框架，它将化学工具（如 UniMol2、Chemformer）动态地视为可组合的构建块智能体。它构建了任务专用的超级智能体，能够以有限的数据（$\leq$10 个样本）突破原子级工具的约束。我们在四个核心化学任务（分子设计、分子描述生成、反应预测和性质预测）上的评估表明，ChemAmp 优于化学专用模型、通用 LLM 以及带有工具编排的智能体系统。关键在于，这种自底向上的构建策略与原始多智能体系统相比，减少了 94% 的推理 token 成本。