面向药物发现智能体的约束感知纠错记忆
人工智能
2026-04-13 v1
摘要
大型语言模型正在使药物发现智能体日益可行，但可靠的成功并非由单个动作或分子决定，而是由最终返回的候选集是否整体满足协议级要求（如集合规模、多样性、结合质量和可开发性）。这构成了根本性的控制问题：智能体逐步规划，而任务有效性由整个候选集水平决定。现有的语言药物发现系统倾向于依赖长时间的原始历史和不明确的自我反思，导致故障定位不精确且规划器侧的代理状态日益嘈杂。我们提出CACM（Constraint-Aware Corrective Memory），一种围绕精确集合级诊断和简洁记忆写回机制构建的语言药物发现框架。CACM引入协议审计和一个扎实的诊断师，联合分析跨越任务要求、口袋上下文和候选集证据的多模态证据，以定位协议违规、生成可操作的纠错提示，并偏向最相关的纠错动作。为保持规划上下文紧凑，CACM将记忆组织为静态、动态和纠错通道，并在写回前压缩，从而保留持久的任务信息，同时仅暴露最具决策相关性的故障。我们的实验结果表明，CACM相对于最先进的基线提高了目标级成功率36.4%。结果表明，可靠的语言药物发现不仅来自更强大的分子工具，还来自更精确的诊断和更经济的代理状态。
引用
@article{arxiv.2604.09308,
title = {Constraint-Aware Corrective Memory for Language-Based Drug Discovery Agents},
author = {Maochen Sun and Youzhi Zhang and Gaofeng Meng},
journal= {arXiv preprint arXiv:2604.09308},
year = {2026}
}