夜雨聆风AI Agent的原爆点
2025年初，DeepSeek-R1的发布让中国人工智能迅速成为全球科技讨论的焦点。它在数学、代码和复杂推理任务中表现出的能力，构成了后续Agent的“决策核心”。
以DeepSeek-R1为代表的推理模型快速普及后，AI从生成内容转向规划和执行任务的趋势变得更加清晰。在此之前，人们对AI的理解集中在搜索、问答、写作和内容生成；此后，越来越多的用户开始意识到，模型的价值正在从“生成一个答案”延伸到“围绕目标持续采取行动”。当模型能够理解任务、调用工具、检查结果并根据反馈修正方案时，AI便开始具备Agent的基本特征。
这场变化最先在软件开发中集中显现。从深层的原因来看，软件行业为AI提供了一个高度数字化、结果可验证且试错成本较低的工作环境。在这样的环境中，AI可以形成连续的执行和反馈循环，而这正是Agent真正发挥作用的基础。
从生成代码到进入工程流程
早期的AI编程工具主要用于代码补全、函数生成和语法解释，开发者需要自行拆解任务、选择文件并判断每一步应该如何执行，AI承担的是局部环节中的输入加速。随着模型推理能力、上下文能力和工具调用能力的提升，这种协作方式正在发生明显变化。
图3 AI编程工具（Cursor）的初步形式：代码补全。
现在的AI编程Agent可以读取项目目录，分析不同模块之间的依赖关系，搜索相关代码，修改多个文件，运行终端命令和自动化测试，并根据报错信息继续调整。Cursor的Agent已经能够自主探索代码库、执行多文件修改并处理运行错误；Claude Code可以理解项目结构、运行测试并完成跨文件任务；OpenAI Codex则能够在独立环境中开发功能、修复问题、执行测试并生成供工程师审查的代码变更。
图4 代表性AI编程Agent的工作界面。Cursor、Claude Code和OpenAI Codex虽然采用不同的产品形态，但都已能够读取代码库、修改多个文件、调用开发工具、运行测试并根据反馈继续调整。
这意味着，人与AI之间的协作单位正在从“一段代码”扩大到“一项工程任务”。开发者可以直接提出修复问题、增加功能、重构模块或补充测试等目标，AI则围绕目标寻找相关信息、制定执行步骤并不断验证结果。工程师仍然负责需求判断、系统架构、安全边界和最终审查，但许多原本需要人工逐步完成的执行工作，已经可以由Agent连续处理。
AI时代的一条普遍规律：迭代系统
软件开发之所以值得关注，还因为它展示了AI进入专业研发流程所需要的基本条件：工作对象需要被模型读取，执行过程需要有可调用的工具，结果需要形成清晰反馈，失败之后还要能够进入下一轮尝试。只要这些条件逐步具备，并形成完整的迭代系统，AI的作用就可能从知识查询和内容生成延伸到任务规划、实际执行与迭代优化。
沿着这条规律观察，材料研发与软件开发之间存在着比表面上更深的相似性。软件研发需要理解需求、设计方案、编写代码、运行测试并持续修正；材料研发同样需要阅读文献、提出假设、设计配方与工艺、制备样品、开展性能表征，再依据实验结果安排下一轮研究。两者都属于知识密集型活动，也都依赖持续反馈来缩小问题空间。
它们的主要差异来自反馈发生的环境。软件代码可以在计算机中立即运行，材料方案则必须进入真实实验。一种新的钙钛矿配方需要经过溶液配制、薄膜制备、退火、器件加工和性能测试，研究人员才能判断它是否有效；实验结果还可能受到温湿度、设备状态、操作过程和样品差异的影响。模型可以快速提出大量候选方案，实验室却很难以同样速度完成验证，这使材料研发的反馈周期更长、数据获取成本更高，也让实验执行能力成为AI进入这一领域的关键约束。
为了满足全新实验范式对实验执行能力的旺盛需求，许多科学家陆续提出“不依赖于人而存在”的实验流程设想，并付诸实施。这一流程把模型推荐、自动实验、性能表征、数据回流和再次优化连接成连续过程。学术界通常将其称为自主实验室或自驱动实验室，其核心是通过机器学习、实验自动化和机器人系统协同，持续执行由算法选择的实验，加快对材料与化学空间的探索。
图7 Milad Abolhasani等人在《The rise of self-driving labs in chemical and materials sciences》文章中提到的一种自驱动实验室(SDL)的实现方式：AGV机械臂小车。SDL并不完全等于机械臂，而是一个由机器学习驱动的闭环实验平台。DOI:10.1038/s44160-022-00231-0
在这个系统中，自动化设备解决实验执行问题，表征设备提供客观结果，数据平台保证实验过程可记录、可比较、可追溯，算法则根据数据判断下一轮实验的优先级。材料AI由此获得了类似软件Agent的工作环境，只是它所调用的工具从编辑器和终端变成了配液、涂膜、退火、表征和样品流转设备。
目前，学术界对自驱动实验室SDL提出了多种路径。结合实验手段、物流转运方式的区别，我们将SDL实验执行方案分为三类：人形机器人，AGV移动实验平台和多通道实验工作站。
图8 自驱动实验室SDL的三种实验执行方案：人形机器人/双臂机器人，AGV移动实验平台和多通道实验工作站
在这三种方案当中，人形机器人侧重于模拟人类研究员的手部动作；AGV方案侧重于实验操作的标准化；多通道实验工作站侧重于并行处理大量样品。三种方案的目标细分场景都有所不同，但就实验通量和实验精度而言，多通道实验工作站更适合用来产生高质量实验数据。高熵科技推出的MatX高通量自主湿法制膜工作站在技术原理上更接近于多通道实验工作站的方案，结合自主表征、自主优化，形成了一种全新的SDL闭环形态。
高熵科技近期开展的贝叶斯优化实验很好地展示了这一流程的初级形态。团队首先通过正交浓度梯度完成第一轮实验，建立初始数据；随后，模型根据第一轮结果生成第二轮实验配方；当第二轮实验完成后，新数据再次进入优化流程，并用于生成第三轮实验方案。这个案例打通了从算法推荐到真实实验、再从实验结果回到模型更新的决策链条，使AI开始参与“下一轮实验做什么”。可拉伸贝叶斯优化驱动自主实验：高熵科技成功验证AI驱动的实验范式可行性
图9 高熵科技将贝叶斯优化算法纳入材料研发迭代循环当中，系统性地搜索整个材料组分空间
高熵科技所搭建的实验平台的意义也因此超出了单纯提高设备运行速度和通量。当自动化制备、性能表征、数据管理和优化算法被连接起来后，实验平台开始具备持续产生数据并迭代方案的能力。材料研发由过去相对分散的实验任务，逐步转变为能够连续运行的自主学习过程。有鉴于此，高熵科技将旗下产品线命名为“高通量自主实验工作站”。
DeepSeek让更多人看到了模型推理能力的进步，软件开发则进一步证明，AI可以进入真实工作流程，在目标约束下完成规划、执行、验证和修正。软件行业率先发生变化，是因为它已经具备成熟的数字化环境、丰富的工具接口和快速的反馈机制，能够让Agent在较低成本下进行连续迭代。
材料研发拥有相似的知识结构和优化过程，却必须面对实验执行带来的时间、成本和数据一致性问题。因此，AI4Materials的发展不会只取决于模型能够生成多少候选方案，还取决于实验室能否稳定执行这些方案、产生可信数据并及时将结果反馈给模型。自动化实验平台、标准化数据系统与优化算法需要共同构成闭环，AI才有可能真正进入材料研发的核心流程。
软件行业已经展示了Agent如何在数字世界中工作，材料研发正在为它建立进入物理世界所需的实验环境。当模型能够持续参与实验规划，自动化平台能够完成验证，新数据又能推动下一轮优化时，材料研发的迭代速度和组织方式都可能发生改变。
下一轮由AI推动的产业变化，或许就发生在实验室里。
