RetroAgent：利用LLM在结构化内存上搜索实现智能逆向合成规划

RetroAgent 是一个利用大规模语言模型（LLM）的智能体，通过结构化内存和化学工具观察完整搜索状态（包括已探索路线、可用替代方案和中间产物属性），用于多步逆向合成规划。实验在分布内和分布外基准上均展现了良好的性能和泛化能力。

传统方法依赖离线训练的价值网络独立评分候选，而此前LLM代理仅用简单接口限制搜索空间。RetroAgent通过结构化内存让智能体感知全局搜索状态，从而基于全局进度和领域知识进行决策，提升了逆向合成规划的效率和泛化能力。

RetroAgent 将符号树搜索与神经推理结合，通过记忆和化学工具持续跟踪搜索状态（包括已探索路径、可用选项与中间产物属性），使得LLM能利用全局信息指导下一步选择，而非孤立评分。

该技术可被集成到药物发现或有机合成的AI辅助工具中，提高逆向合成路线的规划质量和速度，减少化学家手动试错成本，但证据未涉及具体产品部署或性能指标。

• 开发基于RetroAgent的自动化逆合成规划API，供药物研发公司使用
• 将智能体作为功能模块嵌入现有化学信息平台（如Reaxys），提供路线推荐
• 构建面向教育场景的交互式逆合成教学工具，展示多步推理过程

• 在实际工业场景中，RetroAgent的计算效率和扩展性如何？
• 与Reaxys等商业逆合成工具相比，其规划质量和用户接受度如何？
• 是否需要大量领域特定工具或知识才能有效运行？