莫西：用于药物发现 LLM 智能体的受控自主性

工具增强型大型语言模型（LLM）智能体承诺将科学推理与计算统一，但其在药物发现等高风险领域的部署受到两个关键障碍的制约：工具使用 governance 受限且长期可靠性差。在依赖关系密集的制药管道中，自主智能体常会偏离不可重现的轨迹，其中早期的幻觉会在下游失败中呈指数级叠加。为克服此困难，我们提出了莫西（Mozi），一种双层架构，将生成式AI的灵活性与计算生物学的确定性严谨性相结合。层A（控制平面）建立受管控的主管-工人层级结构，通过基于角色的工具隔离、限制执行在受约束的行动空间内，并驱动基于反思的重新规划来强制实施治理。层B（工作流程平面）将标准药物发现阶段——从靶点识别到前景优化——实现为有状态、可组合的技能图。该层整合严格的数据契约和战略的人机交互（HITL）检查点，以在高不确定性决策边界处保障科学有效性。莫西 operates on the design principle of “free-form reasoning for safe tasks, structured execution for long-horizon pipelines”，提供内置的鲁棒性机制和可追溯性，以完全缓解误差累积。我们在 PharmaBench 上对莫西进行评估，该数据集为生物医学智能体筛选，结果显示其在 orchestration accuracy 上优于现有基线方法。此外，通过端到端的治疗案例研究，我们展示了莫西 navigate massive chemical spaces、enforce stringent toxicity filters、并生成高度具竞争力的 in silico candidates 的能力，实际上将 LLM 从脆弱的对话式模型转变为可靠、受控的共生科学家。