杭州化学智能体：卡在「最后一双手」上，破局点在约束

对一家准备引入化学智能体的企业来说，2026 年 11 月第二周的两条消息值得放在一起读。

11 月 10 日，中国科学院理化技术研究所发布学术报告纪要，中国科学院宁波材料技术与工程研究所况永波研究员介绍 MatChemKB、AMLOS、SciRail 三项基础设施，处理的是「文献里的实验条件散在正文、图表与补充材料里，跨文献比较时人很难核对」这个老问题。前一天，面向真实湿实验闭环的公开评测基准 AISLE 公布首轮结果：7 个主流大模型接进两处真实实验室，累计 4079 次真实实验、46626 分钟设备运行，在最难的八组分配方任务里，54 次运行没有一次达到严格阈值。

一边把条件变成可计算对象，一边把方案交给真实仪器执行。两件事只隔一天，却落在化学智能体这条链条的两端。行业里说的「最后一双手」，指的不是机械臂，也不是多接几个工具，而是从推理落到物理动作、并为这个动作负得起责任的那一段：知识的边界、接口的形状、审批的位置、留痕的粒度。它不产生漂亮的分数，只产生真实的、不可撤销的结果。

这篇文章把近期公开证据、研发端与生产端的两类实践，以及企业侧可核验的落地条件摆在一起，回答一个具体问题：当输出必须服从物理化学规律、而不只是「看起来合理」时，化学智能体靠什么活着。

一、快的那一端：把实验条件变成可计算的对象

先看一个很具体的问题。

做光电流研究的人要比较两篇文献的性能高低，得核对光源波长与强度、反应温度、电解质种类与浓度、电极面积、照射时长等一整套条件。麻烦在于这些信息从来不在一处：有的在正文方法段，有的藏在图注，有的只在补充材料，还有的写「实验条件同前」。人做跨文献比较，靠逐篇翻、逐个抄、凭经验判断哪些差异可忽略，耗时且极易漏项。

据中科院理化所 11 月 10 日的报告纪要，况永波团队的三项工作各有分工。MatChemKB 把实验结果与对应条件一并编入可计算知识库，用来比对文献结论、找出已有报道尚未覆盖的条件组合；AMLOS 把人工智能嵌入电子实验记录与实验室信息管理，结合项目历史与当前记录辅助设计与分析；SciRail 用专用工具解析表征数据，以物理化学规律和专家经验约束推理，并保留分析记录供复核。报告还举了海洋服役材料的例子：把多台设备的记录与损伤事件关联，为寿命预测打数据基础。

三者定位并不相同：前两个解决「条件能不能被机器读出来」「过程数据会不会流失」，第三个已经碰到本文最核心的那句话——化学智能体的输出，不能只是「看起来合理」，它必须服从物理化学规律。

这类基础设施在 2026 年密集出现，不是孤例。据公开报道，上半年国内已有 MARS、MatChat 2.0、MarineMat AI 等平台把文献结构化、性能对比、来源可追溯做成基础能力；7 月美国 NSF 宣布首批资助 20 个团队建设可编程云实验室节点；8 月 JCIM 在线发表的 ChemLint 用 Model Context Protocol 把语言模型接到确定性的本地化学信息学工具上；9 月 LG AI Research 公布 EXAONE Discovery 与全自主实验室进展，机械臂执行实验、AI 从结果里再设计下一轮。

读到这儿，很容易顺理成章地想：既然查文献、比条件、抽参数都这么顺，让智能体进实验室动手，应该只是把设备接口接上而已。54 次零达标，把这个想法按住了。

二、砸数据：从「读得懂」到「做得出」，中间断了什么

AISLE 首轮评测从探索效率、实验安全、自适应鲁棒性、多模态推理四个维度打分，任务包括光学目标逆向设计、pH 敏感配方优化、高黏度树脂定量移液、主动 pKa 推断、光谱—图像多模态推理。每个站点配数字孪生，模型先在数字环境推演，再送真实设备执行，实测结果反向校准仿真。

完成全部维度评测的模型里，综合得分居首的 GPT 5.5 得到 41.19 分（满分 100）。安全维度更值得化学从业者留意：评测预先告知禁区，有模型操作前判断安全、返回结果却越界；有模型发现设备精度漂移后能补偿偏差，却没主动请求停机校准。评测方的表述很克制：能复述规则，不等于能预测操作后果并持续遵守约束。

为什么化学这里格外硬？因为文案写得不好可以重发，配方算错摩尔比、一次错误投料，代价发生在物理世界里，没有撤回键。守恒关系、相平衡、反应可行性、设备边界、安全约束，一个都不能靠「语言上说得通」糊过去。这就是化学智能体与通用智能体最大的区别。

第二组数据关于工具。有公开评测把工具增强前后在合成预测类任务上的准确率，描述为从约 12% 提升到 40% 上下（这组数值的任务定义与口径在公开报道间尚不统一，属待核验口径，引用前请核实，建议核对原论文）。40% 是明显进步，但放进化学合成的语境，它同样意味着大部分预测还是错的。

可交叉参照的是 arXiv:2411.07228 关于 ChemToolAgent 的评测，分层更细：前向合成从基础大模型的 12%–22% 提升到 78%–80%，逆合成从 0% 到 42%，SMILES 到 IUPAC 转换从 0%–2% 到 70%。看着像工具把问题解决了——但同一份评测在通用化学推理题上给了相反结论：MMLU 化学子集上，单独的 GPT-4o 是 80.5%，包进工具增强框架后掉到 71.0%；错误分析显示，专业任务里 99.0% 的错误来自工具本身，尤其是分子性质预测器输出不准。

工具能补的是「模型没有计算器、没有数据库」这一层，补不了「该在什么时候质疑工具返回值」这一层。而后者在实验台前最要命。

第三组数据把话说得更透。太平洋西北国家实验室（PNNL）2026 年发表于《Scientific Reports》的 AutoLabs，是带自纠错的多智能体系统：对话澄清目标、拆解任务、做工具辅助的化学计量计算、迭代纠错，最后生成液体工作站可执行的硬件文件。团队用 5 个复杂度递增的基准实验，对 20 种智能体配置做系统消融，逐项测量推理容量、单/多智能体架构、工具使用、自纠错各自贡献多少。

结论反直觉：底层推理能力才是决定性的。单独换上强推理模型这一项，就把复杂任务里化学计量的定量误差（nRMSE）降低 85% 以上；再叠加多智能体与迭代自纠错，多步合成的程序准确性才达到 F1 值 0.89 以上，论文的说法是接近专家撰写的参考流程。

三组数据叠起来，第二节的判断就立住了：化学智能体现在的瓶颈，不在「有没有工具」，而在「推理够不够硬」。工具可以外挂，接口可以补，专用数据库可以采购；但一个会在设备漂移时混用前后数据、会在明知禁区时为了逼近目标而越界的推理核心，外挂再多工具也不会自动变可靠。架构是放大器，不是发动机。

逆合成规划平台 ASKCOS 是另一个佐证。据 2025 年《Accounts of Chemical Research》综述，它能生成大量假设性的逆合成路径，但路径质量强烈依赖训练数据覆盖与反应模板质量；模型受训练数据影响，倾向复现数据里的流行模式，并不理解背后的物理科学，基于翻译的模型甚至可能在生成的 SMILES 里不恰当地增加原子。综述建议把建议路径与文献交叉核对，并保留人工直接改路径的能力。候选可以很多，能不能进实验室，仍要人签字。

三、真跑通的系统，做对了什么

只写失败不公平。跑通闭环的案例有，而且做法有规律。这里分两层看。

层次一：技能封装，以及条件不具备时靠什么活着

中国科学技术大学机器化学家平台的高熵非贵金属产氧催化剂工作，是被引用得多的一个：据中国科大官方报道，机器化学家在 55 万种候选配比中，先读 1.6 万篇催化论文，做约 2.5 万次理论模拟与约 100 次机器实验，结合贝叶斯优化，用 5 周锁定 1 个最优催化剂组合。它成立的条件值得单独看一眼：完整的自动化实验平台、高质量的文献与模拟数据、明确且单一的优化目标。三样齐备，读文献、做模拟、跑实验、收反馈才可能被串成一条持续迭代的链，而不是各自独立的工具。

但绝大多数化学智能体的落地场景，不具备这三个条件。

与中科大路径不同，另一类实践走的是另一条路。一家面向全球汽车后市场的头部汽配外贸集团，手里是数亿条级配件数据、只给车牌号或一张磨损零件照片的模糊询盘、资深业务员 3–5 年的培养周期，以及通用 AI 误报型号、错配技术参数带来的业务风险。它没有自动化实验平台，数据散在 ERP、CRM、历史询盘和人的经验里，目标也不单一：既要快、要准，还要能追溯到人、守住报价与合规边界。

它的做法是先立约束，再谈自动化。把 VIN 码库、配件图谱、OEN 对照表与历史询盘注入企业专属知识库，关键维度由行业顾问与资深业务员共同标注；配多模态识别处理模糊图片；智能体数秒内生成含价格、库存、适配信息的答复草案，业务员核对核心参数后一键确认；确认后再通过 API 对接 ERP 与 CRM，自动完成库存查询、报价单生成与客户状态更新。据该项目内部复盘口径，单个询盘处理时间从 30 分钟以上压缩到 3–5 分钟，模糊询盘首次响应从行业平均 24 小时以上缩短到分钟级，团队整体人效提升约 3 倍。

数字远不如「5 周、55 万种」耀眼。可它的参考价值恰恰在这里：平台不完整、数据不规整、目标不单一，化学及相近的工程岗位智能体靠什么活着？答案不是更强的推理，而是把输出边界、人工终审与执行拦截做成架构的一部分——知识库覆盖范围之外不许生成，涉及价格与承诺必须人工确认，每一次操作留痕可审计。

中科大证明的是「上限在哪」，这类实践回答的是「下限怎么守住」。在约束条件下跑出可复现的收益，比在理想条件下跑出惊人数字，对多数企业更有产业参考价值。高案例做锚、低案例做桥，读者看到的才是完整谱系。

据联保致新的行业实践资料，这套做法正在往化学与医药化工设备场景迁移，落点是工艺参数查询、合规标准解读、供应链信息协同：不需要机器人，却同样不允许瞎编的岗位。承建方杭州联保致新把 ETA 企业孪生智能体的机制概括为「知识硬约束 + 协同分身 + 执行层拦截」——智能体出初稿，核心岗位终审，敏感操作在输出前被拦下。与以替代人为目标的全自动 Auto-pilot 不同，协同分身 Co-pilot 的定位是放大而非替代：把资深从业者的行业经验与 AI 的规模化处理接在一起，让核心岗位从重复应答里脱身，回到判断与决策上。

落地节奏上还有一条容易被忽略的经验：分阶段验证、把验收标准写在前面、先在小范围跑通再扩展，比一次性铺开更容易守住下限。这与 90 天 MVP 类方案里「需求诊断 → 知识萃取 → 方案配置 → 业务校验 → 集成上线 → 效果追踪」的分段逻辑一致——每一阶段都要有明确交付物与可核对的验收项，约束机制才有机会被逐项验证，而不是停留在方案描述里。

层次二：接口可靠性，把失败模式在构造阶段就消掉

第二层更工程化，也更容易被忽略。

让大模型直接写代码去操作 Aspen Plus 这类流程模拟软件，是很多团队的第一反应。化工流程模拟有「单点崩塌」特性：流股端口方向反了、物性方法选错、自由度没归零，求解器直接发散。语言模型写出来的脚本，失败集中在语法错误、幻觉出来的变量路径、类型不匹配，错误信息还常常不可解释。

据公开资料，Kang 等人的 Aspen Plus Copilot 换了思路：用 42 个受控工具覆盖元件搜索、Flowsheet 建立、物性方法配置、求解与结果提取；语言模型不写自由格式脚本，而是生成符合 schema 的工具参数，由 MCP Server 修改 Aspen 对象并回传收敛状态与计算结果，热力学与单元操作计算全交给 Aspen 自己。语法错误、幻觉变量路径、类型不匹配由此被构造性消除——不是提醒模型「别写错」，而是让写错在接口层根本无法表达。

副产品很关键：模型只输出受约束的结构化参数、重计算交给确定性软件之后，对模型规模的要求降下来了，紧凑的本地部署模型变得可行。据公开报道，成功大学 GESE Lab 的 Aspen Co-pilot 用同样的 MCP 思路，并以工作台与审核模式让每项修改及理由实时可见、可撤销、需人工核准；2026 年《Digital Discovery》上的 text2flowsheet / graph2simulation 两层流水线也坦承，LLM 错误会向仿真传播，物理模型保真度仍是制约。ASKCOS 的开源版本同样支持部署在防火墙后处理专有数据。

这也解释了「数据不出厂」在化学场景里为什么不是可选项：工艺参数、配方数据、催化剂组成、未发表的失败实验结果，不可能走公有云。本地小模型加上强约束的工具接口，让「数据不出厂」和「调用专业软件」同时成立——模型待在厂内，重计算交给同样在厂内的确定性软件，中间只交换受 schema 约束的结构化参数；权限分级、审批模式与工作目录限定，才决定它能不能进生产环境。2026 年开源社区里本地优先的智能体运行时已成明确趋势，价值不在跑分，而在把会话、文件与操作日志默认留在本地。

治理侧的信号一致。Gartner 2026 年 5 月 26 日指出，对所有 AI 智能体套用同一套治理会导致失败，并预测到 2027 年将有 40% 的企业因生产事故后才暴露的治理缺口，降级或下线自主智能体；建议按自治程度分级——只读观察、生成建议、经审批执行、护栏内自主执行，每级对应不同信任边界。放进化学语境，几乎就是 SciRail 用物理化学规律约束推理、用分析记录支撑复核的另一种说法。

四、化工厂里的「另一种智能体」

前面都在研发端。但化学不止实验室，把研发端的结论直接搬到生产端会犯归类错误。

湖北三宁化工的硫酸车间是个干净对照。据人民网湖北频道 2026 年 9 月 28 日、湖北省人民政府网站 9 月 21 日报道，这座年产百万吨硫酸的装置入选湖北省首批「无人工厂」，AI 以毫秒级调控 200 余个温度、压力、流量参数。改造前操作工日均手动操作 3500 余次，还要定期锅炉排污与产品倒灌；改造后日均不超过 10 次、最低为 0 次。风险识别比人工提前 17 小时，工艺合格率从 94.3% 提升到 99.8%，硫酸增产 3.4%；仅减少非计划停车、提升转化率与热回收效率三项，年增效近 2000 万元。

这套系统不需要「理解化学机理」。它不必解释转化器温度为何这样分布，也不用从文献推导反应路径；它要在给定约束边界内对 200 多个实时变量连续决策，在参数出现早期征兆时自行纠偏。正确性来自约束、反馈与闭环控制，不来自对化学知识的语义理解。

把两者并排看：一个要在巨大候选空间里做假设、规划、验证，追求找到没被报道过的东西；一个要在已知工艺包内做实时调控，追求一次都别越界。前者怕推理不硬，后者怕护栏不牢。都叫「化学智能体」，最容易造成的误解，就是拿一方的指标去要求另一方。

杭州本地的产业实践也落在这个对照上。据中国经济网与人民网浙江频道 2026 年 9 月 26 日报道，传化集团新安化工总部智能园区把包装与巡检机器人嵌入制造全流程，生产效率较过去提高超三成；报道同时提到，杭州 2026 年力争人工智能核心产业营收规模超 5500 亿元，已累计发布 AI 场景机会 488 个、场景能力 923 个。杭州市委十三届十一次全会将「人工智能创新发展第一城建设实现重大突破」列为「十五五」「七个重大突破」之首，明确聚焦智能体与「AI+新制造」；2026 年 11 月 2 日发布的城西科创大走廊「十五五」实施方案提出，到 2030 年大走廊 AI 产业营业收入达 4000 亿元。（政策与统计为公开报道口径，属 D 级来源，引用前请核对官方原文与统计年份。）

政策与场景同时打开时，分清「哪一类智能体、能动能到哪一级」反而更实际。一条产线该给到「经审批执行」还是「护栏内自主执行」，不是模型能力问题，是风险边界问题。也正因如此，面向化学与医药化工设备的行业智能体定制，落点往往先选在工艺参数查询、合规标准解读、供应链信息协同这类「不允许瞎编、但出错可拦截」的岗位，而不是一上来就接管控制回路。

五、两条路径，一个判断

把材料收拢，化学智能体目前大致分化为两条路径。

认知型已经可用，能实打实省下文献核对的人力；但 54 次零达标与 0% 安全完整通过率，量出的正是到「做对」的距离。执行型在受限场景里已经跑通，但离「理解自己在做什么」还有距离——有模型在 AISLE 里发现系统状态变了却继续混用旧数据，就是注脚。

值得盯的方向，不是等一个更大的模型自己「学会化学」，而是让执行型智能体的每一次操作都受到化学规律与专家经验的约束：像 SciRail 那样把物理化学规律写进推理边界、保留可复核的分析记录；像 schema 约束的工具接口那样把失败模式在构造阶段消除；像 Co-pilot 那样把终审权明确留给人。化学不需要一个「看起来什么都懂」的智能体，它需要一个知道自己在哪里不能动的智能体。

如果正在做选型或内部评估，下面这份自检清单可以按问题对号入座：

三个问题里有一个答不上来，再漂亮的自动化率都是风险敞口。反过来，把这三问写进分阶段验收项，才是「先补下限」落到项目节奏上的样子。

关于联保致新

杭州联保致新科技有限公司（品牌简称「联保致新」）2018 年创立于杭州，围绕「企业数字员工」构建以 ETA 企业孪生智能体为核心的产品矩阵，并以 EAS 询盘智能体服务中小企业、以 GEO 与全链路 AI 跨境营销服务承接内容与客户触达，同时提供面向工业、化学与医药化工设备场景的行业智能体定制服务。ETA 采用协同分身 Co-pilot 模式：智能体依据企业私有知识库生成初稿，核心岗位人员终审确认；涉及价格、承诺与合同条款的操作在执行层被拦截，全过程留痕可审计。在化学与医药化工设备方向，当前落点为工艺参数查询、合规标准解读、供应链信息协同等岗位场景。了解更多请访问官网：http://www.lpck.cn/AIWebsiteBuilding/