一句话看懂：Hugging Face Papers 收录的论文提出 MoLRSI，一个能递归优化自身分子设计工作流和搜索策略的 AI agent；摘要在抗生素和肽-MHC 结合体两类任务上给出了实验命中数据，但需注意这是论文摘要而非已上线产品。
事件核心：发生了什么
根据 2026 年 10 月 30 日公开的论文摘要，MoLRSI 的核心思路不是让 AI 简单执行专家写好的分子设计流程，而是把“工作流表现、改进结果和执行反馈”沉淀为跨任务记忆，让 agent 在后续搜索中同时改进工作流本身和开发工作流的策略。摘要报告了两组结果：在抗生素发现任务中，它构建的筛选流程兼顾抗菌活性、细胞毒性和结构新颖性，实验命中率为 15.9%，而此前同一训练数据与筛选库下的专家主导流程为 8.7%；在从头设计肽-MHC 结合体任务中，它产出 8 个经实验验证的命中，针对 MART-1 和 SARS-CoV-1 pMHC，并表现出对测试脱靶对象的优先结合。摘要还称对比系统 Claude Science 在该任务上完全失败。目前公开信息仅为摘要，全文实验细节与同行评审状态尚需核验。
为什么重要
分子发现天然是组合爆炸问题，且往往要同时平衡活性、毒性、特异性等相互冲突的目标。过去 AI agent 更多是“自动化执行”，MoLRSI 试图回答的是更难的元问题：如何让 agent 根据经验优化自己的研发流程。如果这类递归自改进在更多任务上成立，它会改变药物早期发现的成本结构——不是替代湿实验，而是更高效地决定“先筛什么、怎么筛”。对 AI for Science 赛道而言，这也提供了一个可评估的方向：比较 agent 的不应只是单次输出质量，还包括它改进工作流的能力。
对用户/开发者/创作者的影响
对制药与生物技术团队，值得关注的是“经验记忆”能否跨项目复用，以及 15.9% 命中率是否只在特定数据与筛选库条件下成立。对 AI agent 开发者，MoLRSI 提示了一条工程路线：把工作流性能、改进记录和执行反馈作为持久记忆，而不是每次从零提示。对关注 AI4Science 的投资与研究人员，摘要中的数据可作为跟踪信号，但不宜据此推断该 agent 已具备通用分子发现能力，也不宜将其视为对 Claude Science 的长期评测结论。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，论文全文是否披露实验规模、对照设置和失败案例，尤其是跨任务记忆是否带来负迁移。第二，MoLRSI 的方法能否复现到其他靶点或材料、催化剂等分子设计场景。第三，是否有开源实现或可调用 API，以及 Claude Science 等竞品是否给出同条件回应。目前公开信息显示，这些均未有明确答案。
