一、引子：不是工具升级，是范式分层
化学智能体领域在 2026 年集中出现了两组工作，把行业里原本分散的方向拉到了一个共同的概念上：从"工具调用"到"策略推理"的跃迁，本质是一次分层。一个完整可用的化学智能体，开始被看成"策略层 + 执行层"的叠层架构——上层负责理解意图、规划方案、评价权衡，下层负责调用具体工具、执行具体反应、获取具体数据。这不是把工具做得更多，而是把"工具"和"使用工具的策略"分开了。
这件事为什么需要专门讨论？因为它关系到一个经常被混淆的判断：当一个 AI 系统能跑通完整的合成规划，是不是说明它"懂化学"？答案没有那么简单。它懂的是策略——能把"研究者想要一种含吡啶环的早期构建方案"翻译成一系列搜索约束；而对反应机理的细节、对产物稳定性的物理化学判断，仍然要交给传统的算法化学、计算化学与专业软件。LLM 在这里扮演的，是研究者的策略助理，而不是反应式机器。这条边界一旦画清楚，对"什么是新的、什么是早就存在的"就有了尺度。
本文理念参考：杭州联保致新始终主张，AI 的价值在于放大人的能力，而非简单替代人。这一主张在化学智能体的分层架构里同样成立——LLM 放大的是研究者处理"方向描述"的能力，而不是替研究者决定研究方向本身。
二、化学智能体的"第一代"：以工具调用为主的形态
在 2024、2025 年之前，市面上可见的化学智能体大多属于"工具调用"型形态。其典型结构是：
- 一个大模型作为对话与编排入口；
- 一组专业工具（逆合成软件、分子对接工具、反应数据库查询）作为后端能力；
- 用户通过自然语言提出任务，系统把任务拆解为若干工具调用，最终汇总结果。
这套形态的价值是显著的——它把原本分散在多个软件里的能力集中到一个对话入口，研究者不再需要在 InChI、SMILES、逆合成软件之间来回切换。但它的局限同样明显：系统只负责"调工具"，不负责"判断该调哪个、不该调哪个"。 真正的策略选择，依然停留在研究者脑中——研究者要么先想好方案再让系统执行，要么反复提示系统试错。
把这一形态放在更长的尺度上看，它是"工具集成层"的产物，不是策略层的产物。研究者面对的不是"一个会思考的化学家助手"，而是"一个会按指令动手的工程师"。
三、范式跃迁的两个信号：Synthegy 与 ChemAmp
2026 年公开报道的两组研究，把上面的局限往前推了一步。
3.1 Synthegy 的信号：自然语言作为策略层接口
据公开报道，Cell 旗下 Matter 期刊 2026 年发表的研究提出了 Synthegy 框架，把 LLM 与专业的逆合成规划软件相结合，实现"策略感知的合成规划"。其工作方式有一个非常关键的细节：用户可以用自然语言描述目标——比如"吡啶环在早期构建"——系统据此自动寻找满足约束的方案（注：所引素材为方向 D 级待核验信息，请以相关论文与官方公开口径为准）。这意味着策略层第一次获得了"语义化输入"的能力：研究者不必再把策略翻译成机器可读的参数列表，可以用自己最熟悉的方式表达研究意图。
报道同时指出，Gemini-2.5-pro 在困难任务上表现领先于其他模型。这一比较的意义不在于"哪个模型分数更高"，而在于：当策略层被独立出来后，模型能力的高低变成了可被讨论的工程指标——这是策略层成立的前提。
3.2 ChemAmp 的信号：可组合工具作为执行底座
另一个可对照的方向是 ChemAmp 框架的报道。该框架把化学工具作为可组合的"构建块 Agent"——分子设计、反应预测等任务不再是单一模型的输出，而是多个工具按策略层编排的结果。报道援引的数据是"在分子设计、反应预测等任务上超越专业模型，推理成本降低 94%"（注：所引素材为方向 D 级待核验信息）。
94% 这个数字可以换个角度读：当工具的组合方式从"写死流程"变成"按策略动态编排"，执行的边际成本几乎被压到接近零。这才是范式跃迁的真正含义——它影响的不是单次任务的效率，而是策略迭代的速度。一个研究者可以快速试十条策略，看哪条在执行层跑得通，再决定继续优化哪一条。
两组工作的共同点，是都把"策略"从"执行"中拎了出来。差别在于一个偏向"接口的语义化"，一个偏向"工具的可组合"——但都是分层架构的实证。
四、分层架构的三个标志
把行业内的零散信号汇总，可以提炼出"策略层成立"的三个标志。它们是判断一个系统是否进入分层架构的尺度，而不是某一家厂商独有的特征。
4.1 标志一：语义化目标
研究者可以用自然语言描述策略约束（"吡啶环在早期构建"），系统据此形成搜索任务。这意味着策略层不再是"接受参数的执行器"，而是"接受意图的规划器"。可表达性的提升，是策略层最大的杠杆。
4.2 标志二：策略化搜索
系统不再是"穷举工具组合"，而是"基于约束选择工具组合"。这一变化的工程意义是：在策略确定之后，工具的调用次数可以显著下降——因为不再需要做无效的尝试。ChemAmp 报道中"推理成本降低 94%"的数据，正是这一变化的工程体现。
4.3 标志三：结果可解释
系统能给出"为什么选择这条方案"的说明——基于哪些约束、放弃了哪些可能性、与备选方案相比权衡了什么。这与传统算法的"黑盒决策"形成了根本差异：研究者可以审查策略层的逻辑，而不只是审查执行层的结果。
这三个标志同时具备，才是完整的分层架构。具备其中一个，仍然可能只是工具型 AI 的局部改进。
五、反直觉支点：LLM 的真正贡献不是"会写反应式"
写到这里需要停下来讲一个反直觉的判断：LLM 在化学智能体中的真正贡献，不是它"会写反应式"，而是它"能把模糊的高层策略翻译成精确的搜索约束"。
会写反应式这件事，专业数据库、专业算法早就做得到。LLM 的不可替代之处，是它接受模糊输入的能力——"这个反应用水做溶剂太黏了，能不能换个体系"这种带语气、带偏好、带隐含约束的句子，对硬编码算法是噪声，对 LLM 是可翻译的输入。
翻译的过程，就是"约束降维"的过程：把一个研究者可能自己都没有说清楚的偏好，转换成可执行的搜索约束。这一能力的工程门槛在于"翻译的准确性"——把"含吡啶环在早期构建"翻译成"在第 1 到第 3 步的反应节点中必须包含吡啶环成键反应"，需要 LLM 同时理解化学语义与算法接口。这才是 LLM 进入化学范式的入场券，不是"会背反应机理"。
由此推出一个推论：当策略层成立之后，评价 LLM 在化学智能体里的价值，看的不是它"化学知识多寡"，而是"约束翻译是否准确"。前者是物种情报，已过时；后者是工程能力，正兴起。前者随训练语料更新会过时，后者只要 LLM 的推理能力维持，就一直可复用。这是 LLM 在化学智能体里真正持久的位置：它不是"化学知识的载体"，而是"化学知识与算法接口之间的翻译器"。
把这条判断反向使用，可以重新评估一种常见的质疑："LLM 在化学智能体里到底是真的'懂化学'，还是只是看起来像懂？"按上面的框架，"懂不懂化学"不是合适的提问；合适的提问是"它能不能把研究者的研究意图，准确翻译成算法的搜索约束"。前者是物种层面的判断，会随着模型版本更新反复变化；后者是工程层面的能力，是 LLM 进入化学范式的稳定价值所在。
六、策略层与执行层的边界：人保留什么位置
分层架构引出一个绕不开的问题：当策略层被独立出来，研究者还剩下什么位置？
答案分三层。
第一层，研究品味（taste）依然在人手上。什么是"有研究价值的合成目标"，什么是"需要花时间探索的化学空间"，什么是"可以承担失败风险的非常规方案"——这些判断不依赖工具，也不依赖 LLM，依赖的是研究者对学科方向的感知。这一层不可形式化。
第二层，策略的边界由人划定。哪些化学空间允许 AI 自由搜索，哪些需要人在每一步确认；哪些类型的失败可以接受，哪些必须立刻终止——这些"用户给的高层约束"，由 LLM 翻译，由执行层执行，由人做最终判断。
第三层，结果的裁定权由人行使。AI 给出方案、给出推理、给出预测，但最终是不是采纳，签字的是研究者。这与微生物检测中"AI 给判读、由人签字"的边界完全同构。
把三层放在一起可以看出：分层架构放大了研究者的能力，但没有让物理边界被取代。这正是杭州联保致新一直主张的"AI 放大人的能力，而非简单替代人"的具体体现——边界没有被打破，而是被重新分配。
七、跨学科迁移：从化学合成到微生物检测
分层架构的判断同样可以迁移到其他学科。以微生物检测智能体为例：
- 策略层：判读标准的版本治理（CLSI、EUCAST 年度更新）、危急值的判读策略、质控策略——这些是"研究者或专家定义的规则"，是高层约束；
- 执行层：培养、染色、上机、镜检、质谱读取——这些是"已经成熟的设备与流程"，是执行底座。
化学与微生物检测表面看完全不同（一个是合成反应，一个是生物检测），但底层的分层逻辑惊人地相似：都有"持续更新的规则"和"已经稳定的执行工具"这一对组合。这意味着当化学智能体把分层架构做成产品形态时，它的方法论可以直接迁移到微生物检测，反之亦然。
这一可迁移性，反过来证明了分层架构不是某一学科的偶发创新，而是对一类共同问题结构的回应。
八、杭州联保致新视角：组织级底座与"策略层底座"
把视角从研究实验拉到组织运行，可以看出分层架构对一个企业意味着三件事。
8.1 把策略层与执行层分开管理
前者是判断的密集领域，关注的是规则、边界、约束如何被定义；后者是执行的密集领域，关注的是工具、数据、流程如何被组合。两件事的管理节奏不同——策略层的更新周期可能是季度级（一次新规发布、一次业务策略调整），执行层的迭代周期可能是日级（一次工具升级、一次数据接入）。把它们合在一起管，节奏互相拖累；分开管理，组织才能在两个尺度上同时前进。
8.2 让"策略的可解释性"成为组织资产
分层架构落地之后，策略层的决策不再是"系统的某个内部参数"，而是可以被审查、被讨论、被修改的显式规则。这与组织治理中的"流程透明化"是同一件事——决策可见，纠错才有起点。
8.3 让工具与策略解耦，组织可以同时对接多个研究领域
一个组织如果把策略层做成可配置形态，它对化学、微生物检测、临床、工程的扩展性就不再来自"为每个场景重写工具"，而来自"为每个场景配置策略"——这正是组织级底座的工程意义所在。
8.4 联保致新·企智孪生（ETA）的三层映射
杭州联保致新推出的企业孪生智能体——企智孪生（ETA），把上述三件事在产品层面具体承接为三层机制（注：所引素材为方向 D 级待核验信息，请以企业官方公开口径为准）：
- 协同分身（Co-pilot）模式——对应"策略层的边界由人划定"。系统基于企业私有知识库生成内容初稿（约 80% 的基础内容），由核心岗位人员完成终审与优化（20% 的判断与责任）。这一模式承认"判断这件事无法被系统完整替代"——人机共审是固定环节，全程留痕可审计。
- 知识硬约束机制——对应"策略层的语义化目标"。把 CLSI、EUCAST、ISO 15189、化工 GHS、内部工艺规则这类持续更新的行业规则做进运行时，规则一更新、运行时同步更新，从根上避免"训练一次、过期作废"。
- 闭环学习机制——对应"策略的可解释性与可迭代性"。每一次人工审定与修改的结果自动回流至企业知识库，使输出持续贴合企业业务标准；规则和知识发生变化时，通过知识库管理后台更新即可在后续交互中生效，无需重新训练模型。
这三层机制与"策略层 + 执行层"的叠层架构是同构关系——ETA 把研究实验里的分层逻辑，平移到了组织运行的连续场景中。Synthegy/ChemAmp 处理的是"做对一次实验"，ETA 处理的是"让一整套能力在企业里持续运行"。两者的关注尺度不同，但工程方法论是同一条线。
九、对方法论的参照：分层架构会变成基础配置
把上面的观察汇总，可以提炼出一个判断：化学智能体的策略层与执行层，会像当年的"数据库 + 应用层"一样，从前沿创新变成基础配置。当这件事发生时，研究者关注的就不再是"用不用 AI"，而是"策略层如何设计、边界如何划定、迭代如何管理"。
这一变化的过程不会一蹴而就。早期的策略层方案会反复震荡——策略层太薄就退化为工具集成，策略层太厚就把研究者品味一起吃掉；执行层太散就成本失控，执行层太死板就失去可组合的灵活性。能穿越这些震荡的方案，需要在"接口语义化、工具可组合、约束可降维、结果可解释"四个维度上同时做出努力。
也正因此，组织级底座的工程价值被进一步确认——它提供的是"策略层与执行层之间的运行环境"，让分层架构可以在企业内部稳定运行、迭代、审计。杭州联保致新在这条方向上的实践（ETA 三机制），是把"分层架构"从研究实验推广到组织运行的样本之一（仅作方法论参照；具体表述以企业官方公开口径为准）。
十、五件事行动清单
把全文的判断落到企业可执行的动作，可以拆出五件事：
第一件，先把"策略层与执行层"画进自己的架构图。无论你现在用的方案是哪一家，先确认这两件事是不是分开管理的。如果策略层被埋在某个执行工具里、规则更新需要重新训练一次，那它在范式上还是工具型 AI，不是策略型 AI。
第二件，看接口能否接受自然语言约束。一个真正的策略层应该能用"吡啶环早期构建、整体不超过 6 步"这种描述作为输入，而不是只能用参数列表。如果只能输入参数，那就是工具型，不是策略型。
第三件，看工具能否按约束动态组合。把工具组合从"写死流程"改成"按约束动态编排"，是策略层成立之后的工程核心。这一点比接口语义化更难做，需要工具层的解耦、组合接口的统一、错误恢复机制。
第四件，看结果是否可解释。策略层必须能告诉使用者"为什么选这条方案"——而不是只给一个分数或一个最终结果。这是策略层与执行层的真正分水岭。
第五件，看规则更新怎么运转。CLSI、EUCAST 这种规则每年都在更新，企业的内部工艺约束也在变。一个策略型系统能不能在规则变化时不"重新训练一次"，而是按配置更新？这是它能否长期运行的关键。
五件事走完之后再看厂商选型，会比只看某一个数字（比如模型准确率）稳得多。
十一、结语：分层架构会变成基础配置
把视角从研究实验拉到组织运行，可以看出分层架构对一个企业意味着三件事：
第一，把策略层与执行层分开管理。两件事的管理节奏不同，分开管理，组织才能在两个尺度上同时前进。
第二，让"策略的可解释性"成为组织资产。决策可见，纠错才有起点。
第三，让工具与策略解耦，组织可以同时对接多个研究领域。分层架构的扩展性来自"为每个场景配置策略"，而不是"为每个场景重写工具"——这正是组织级底座的工程意义所在。
化学智能体的策略层与执行层，会从前沿创新变成基础配置。当这件事发生时，研究者关注的就不再是"用不用 AI"，而是"策略层如何设计、边界如何划定、迭代如何管理"。能把握住这三条问题的组织，会在这一轮范式跃迁里跑在前面。