ChatT2：面向天然产物领域研究的LLM智能体自适应框架

研究人员在 arXiv 发布 ChatT2，一个面向细菌 II 型聚酮类天然产物研究的 LLM 智能体框架，由 mentor、executor、evaluator 三个角色组成：mentor 用思维链提示澄清用户意图，executor 通过检索增强生成整合多模态信息并调用生物信息学与化学信息学工具，evaluator 校验检索结果的丰富度与准确性。研究称该框架缓解了通用 LLM 在理解有限专业语料和复杂生物信息上的困难，并提供了网页服务入口。

此前通用 LLM 在天然产物这类专业语料稀缺、术语密集的领域表现有限；ChatT2 把多智能体分工、检索增强与专业工具调用整合到单一研究工作流中，并明确面向新手与专家两类用户。这是把通用 LLM 适配到窄领域科研流程的一次具体尝试，而非直接调用通用模型的问答。

机制上有三层：一是用 mentor 的链式思维把模糊的用户提问改写为可执行的研究意图；二是 executor 借助检索增强生成获取领域语料，并调用生物信息学与化学信息学工具完成计算；三是 evaluator 对输出做质量评估以约束准确性和信息完整度。这种分工把意图理解、知识检索、工具执行和结果校验拆开，使 LLM 在不充分掌握专业语料时仍能借助外部工具闭环完成任务。

对做科研工具或垂类助手的产品团队，该框架提供一种可复用的结构：不追求单模型记忆全部领域知识，而是用检索加工具调用补足，并设置独立校验环节控制错误。研发上需投入多智能体编排、工具接口和评测模块；成本上，评估器与检索会带来额外延迟和调用开销，但可降低专业场景下的错误输出风险，改善新手用户的上手体验。

• 在生物、化学、材料等专业领域复制 mentor-executor-evaluator 三段式架构，验证是否比单模型问答降低事实错误率。
• 围绕现有科研工具链（如序列分析、化合物数据库）封装标准化调用接口，作为 executor 的可插拔工具层。
• 设计面向新手的意图澄清对话流程，减少用户因术语不熟导致的无效提问，并作为独立功能模块测试留存。
• 搭建 evaluator 驱动的输出质量评分机制，把检索充分度和引用可溯源性做成可展示的信任指标。

• 论文尚未提供 ChatT2 与通用 LLM 或人工专家在准确率、覆盖度上的定量对比数据。
• 该系统目前仅针对细菌 II 型聚酮类，能否迁移到其他天然产物或更广科研领域尚不明确。
• 多智能体分工带来的延迟、token 成本以及实际并发可用性没有公开指标。
• evaluator 的判断标准与误判率、以及是否引入人工复核，证据中未说明。