MolClaw：分层技能自主智能体，革新药物分子评估、筛选与优化
药物发现领域迎来新突破：来自多家机构的研究团队近日发布了 MolClaw，一个具备分层技能架构的自主智能体，专门用于药物分子的评估、筛选与优化。该工作已在 arXiv 上预发表，并同步推出 MolBench 基准测试集。
核心问题：复杂工作流中的 AI 瓶颈
传统的计算药物发现流程涉及数十种专业工具的协同调用，例如分子对接、药效团建模、ADMET 预测等，这些工具需要按照多步骤工作流有序执行。然而，现有的 AI 智能体在面对这种高复杂度场景时，往往难以维持稳定的性能，尤其是在需要长期推理和多步协调的任务中表现不佳。研究团队指出，工作流编排能力已成为当前 AI 驱动药物发现的主要能力瓶颈。
MolClaw 的解决方案：三层技能架构
MolClaw 的核心创新在于其三层分层技能架构，该架构统一了超过 30 个专业领域资源，共计 70 个技能。具体包括：
- 工具级技能（Tool-level Skills）：标准化原子操作，如调用特定分子库或运行单一计算工具。
- 工作流级技能（Workflow-level Skills）：将工具级技能组合成经过验证的流水线，并内置质量检查与反思机制，确保流程的可靠性和可重复性。
- 学科级技能（Discipline-level Skills）：提供科学原理知识，用于指导规划与验证，覆盖药物发现领域的所有场景。
这种设计使得智能体能够在运行时进行长期交互，并灵活应对多样化的任务需求。
性能验证：MolBench 基准测试
为了评估 MolClaw 的能力，团队构建了 MolBench 基准测试，包含分子筛选、优化以及端到端发现挑战，任务所需的连续工具调用次数从 8 次到超过 50 次不等。实验结果显示，MolClaw 在所有指标上均取得了最先进的性能。
消融研究进一步证实，性能提升主要集中在需要结构化工作流的任务上，而对于那些可以通过临时脚本解决的简单任务，提升效果几乎消失。这强有力地证明了工作流编排能力是当前 AI 药物发现的关键瓶颈。
行业意义与展望
MolClaw 的发布标志着 AI 在药物发现领域从“单点工具”向“全流程自主智能体”迈出了重要一步。通过显式建模工作流层级，智能体不仅能够执行复杂任务，还能在过程中进行自我修正和决策，这大大降低了人工干预的需求。
未来，随着更多领域资源的接入和技能库的扩展，MolClaw 有望成为药物化学家和研究人员的得力助手，加速从靶点发现到候选分子优化的全过程。研究团队表示，代码和数据将在后续公开。