MoLRSI: A Recursive Self-Improving AI agent for Molecular Discovery
MoLRSI：用于分子发现的递归自改进AI智能体
🧭 Agent 递归自改进搜索策略
MoLRSI通过工作流/架构优化与跨任务记忆递归改进搜索策略，抗生素命中率15.9%超专家流程
📌 工作参考价值
- 把推荐/搜索策略搜索本身视为可优化的 workflow，用 execution feedback 和历史任务结果更新策略生成器，做 recursive self-improvement，而不是只自动化固定流程。
- 建立跨任务记忆：记录不同 campaign 的 workflow 性能与 refinement 结果，作为 few-shot exemplars 或偏好数据蒸馏到 meta-policy，帮助新任务冷启动。
- 多目标权衡：显式把 CTR、覆盖率、新颖性等竞争目标转成多目标 scorer，并在每一轮根据线上/离线反馈调整权重，避免固定单目标导致策略退化。
- 对 Agent 开发：将“设计和调优 workflow”变成可递归优化的环节，LLM 提出 workflow，执行器返回 score + failure trace，再用 trace finetune/更新 prompt 或 policy，可迁移到 GenRec 的 Semantic ID 搜索等场景。
动机：分子发现需要在巨大组合空间中平衡抗菌活性、毒性、新颖性等冲突目标，现有 AI agent 多自动化专家固定流程，但不会根据任务经验优化流程本身。
方法：MoLRSI 将“搜索策略”作为可递归改进对象，包含工作流生成/优化、模型架构搜索和跨任务记忆。每轮 workflow 在训练/筛选库上执行，得到性能与反馈；refinement 结果和执行反馈写入记忆，指导后续工作流的生成与策略更新，形成 self-improving loop。
结果：抗生素筛选中，MoLRSI 在相同训练数据和筛选库下实验命中率 15.9%，高于专家流程 8.7%；de novo peptide-MHC binder 设计中产生 8 个实验验证命中，且对靶点优先结合，对照 Claude Science 完全失败。