AgentFold：面向蛋白质折叠模型设计的闭环智能体搜索

AgentFold 是一个多智能体框架，将蛋白质折叠模型开发转化为对可执行代码变体的闭环搜索。基于 ESMFold，它提出假设、修改调试代码、评估变体并记录结果。在超过2000行代码的工程规模代码库上，AgentFold 探索约80个模型变体，使用约5000 GPU 小时和1.7亿 LLM tokens，在相同预算下，相比独立 Codex 提案将最佳 lDDT 提升7.5%，并优于随机搜索基线。

此项研究首次展示科学 LLM 智能体能够通过代码修改和昂贵验证自主改进大型紧密耦合的科学机器学习系统，而非仅停留在文献推理或实验规划层面。在蛋白质折叠领域，AgentFold 实现了超越独立大模型提案的性能提升，证明了自主迭代搜索的有效性，为科学发现自动化开辟了新的可能性。

AgentFold 采用多智能体闭环架构，将模型开发视为搜索问题：智能体提出假设、修改代码、评估结果，并将成功和失败干预存入结构化记忆中。MCTS 风格策略按高分搜索分支分配计算资源，从而在有限预算下高效探索变体。通过记录干预轨迹，揭示出稳定的收益往往来自早期、软性、可学习的先验和门控细化，而直接几何扰动和几何条件反馈常导致训练不稳定。

对于依赖蛋白质折叠模型研发的团队，AgentFold 提供了一种自动化模型迭代的新范式，可能将传统上依赖专家经验和大量试错的研发流程，转变为基于智能体搜索的系统化、可追溯的流程。然而，其高昂的计算成本（5000 GPU 小时、1.7亿 tokens）和仅在单一模型上的验证，意味着直接产品化仍面临算力和通用性挑战。

• 开发基于 AgentFold 框架的蛋白质折叠模型自动优化工具，为生物技术公司提供模型迭代服务。
• 将 AgentFold 的搜索策略和记忆机制集成到内部模型研发平台，加速模型版本更新。
• 基于 AgentFold 干预轨迹中发现的稳定设计模式（如门控细化），开发可直接应用的模型架构组件库。

• AgentFold 的搜索效率是否能在更大型或更多样的蛋白质折叠模型上保持？
• AgentFold 的实际计算成本是否具有商业可行性？其成本与收益比如何？
• AgentFold 的干预轨迹模式是否具有跨任务普适性，还是仅适用于特定数据集或模型？
• AgentFold 是否能够处理超过2000行代码的更复杂代码库，其扩展性如何？