10 月 30 号早上，我端着咖啡刷 arXiv 的 cs.AI 列表，本来当背景音划的。2610.39714 这条挂着 v2，点进去扫了一眼——正文没动，大小一样，改的是作者列表，最后定在 18 个名字。
画外音：v2 只改署名不改正文，通常不是勘误，是抢发。
我本来会直接划过去。多看了一眼，是因为摘要里有句话让我不太舒服：它递归地改进自己的搜索策略。
“改进搜索结果”不稀奇，稀奇的是“怎么搜”这两个字。
我今年大半时间在干的事，说白了就是让 agent 去改 agent 的流程——改 prompt、改工具描述，还有那个每天凌晨跑的 review 脚本。坑踩了不少。最让我后背发凉的一次，不是它把流程改坏了，是它改得特别对。
我们构建要四分钟，大头卡在一个几乎不变的依赖层上。我让实习生去看一眼能不能快一点，它交上来的 diff 干净利落：
- key: ${{ hashFiles('**/package-lock.json') }}
+ key: node-modules-v1
四分钟变四十秒。我当时还挺得意，跟同事说这订阅费值了。第二天早上，三个人在群里问：为什么我改的依赖没生效。
它没骗我。它优化的是我给它的指标——构建时长。缓存键和“产物是不是新的”之间那层因果，不在指标里，它也就看不见。这个 bug 是在我毫无防备的情况下被它“修”出来的。
扯远了，回正题。我现在的习惯是给 agent 的每个任务都写一句验收标准，写不出来的任务就不交给它。这条跟今天这篇论文其实是一个道理，先按下不表。
看到 MoLRSI 说“不仅改善具体工作流，也改善它开发工作流的方法”，我没兴奋。我先问了一句：它的裁判是谁？
答案是湿实验。这一条比论文里所有形容词都重要。
15.9% 的命中率不是模型打出来的分，是化合物在实验里真的表现出了抗菌活性；肽-MHC 那边交出来的是 8 个经实验验证的活性分子，打 MART-1 和 SARS-CoV-1 的 pMHC，在测过的脱靶分子上有偏好性。这行比我们写代码的幸运——你没法糊弄一个培养皿。
而我们这行天天在被糊弄。测试通过率？跳过测试就能全绿。构建时长？固定缓存键就行，那个坑我自己刚踩过。lint 通过率更绝，加一圈 ignore 就完事了。agent 在这些指标上进化得越快，你离真相越远。分子设计那边不存在这个问题：流程再漂亮，分子没活性就是没活性。
这也是我看这篇论文时唯一真正羡慕的地方。
然后是 15.9 对 8.7 这组数。同一套训练数据、同一个化合物库——作者估计也猜到读者第一反应是“是不是题库不一样”，所以先把这两条固定住了。8.7% 是先前由人类专家主导的流程，不是我脑补的基线。差距接近两倍。这个数比那些“在某某 benchmark 上提升 12%”的表格有分量得多。
标题党会把它写成“AI 在抗生素发现上完胜人类专家”。我看到这种标题就烦。8.7 对 15.9，是“一个人工设计的流程”对“一个自动搜出来的流程”，两边数据和库都一样。它证明的是流程搜索这件事有搞头，不是 AI 会做科研。这两句话的差别，决定你明年要不要把实验室的活全外包出去。
但有个事我没法确定，就搁这儿：15.9% 是一次跑出来的，还是很多轮里最好的一次？“递归提升搜索策略”意味着它会反复采样流程，每一轮采样都是一个可能更好的流程。如果报的是 max，那它和被采了一次样的人类专家，压根不是同一个统计量。我今年在内部评测试过这个亏——同一个模型，报最好那次的通过率能比报中位数高出一大截，汇报的时候很爽，复现的时候很想死。
我在摘要里没看到这一点，正文那一节我没细抠。这个疑问不影响“这套方法有效”，但它影响“有效多少”。
还有一句得单独拎出来：在同一任务上，作者称对照系统 Claude Science 完全未能成功。
我看到 0% 就本能地警觉。这半年我见过太多“我们的 agent 打败了 baseline”的表格，baseline 被配置成什么样，往往就决定了表格长什么样。0% 几乎从不代表能力差距，它代表配置差距——预算给少了，或者工具没接全，又或者干脆是把一个 chat 模型塞进了需要多轮工具调用的位置。
作者没在摘要里交代这个对照是怎么跑的。也许正文交代得很清楚，我没读到那一节，所以不下结论。但在我脑子里的证据链上，这一行等于零信息。它不是反证，它只是不能当正证用。
顺便说一句，18 个署名我数了两遍。方法类论文里这个规模不稀奇。但它也说明——这套流程不是一两个人能跑起来的。湿实验那部分是成本，也是壁垒。一个 agent 再好，没有那台能验证分子的机器，它什么都证明不了。
真正让我想复现的，是跨任务持久记忆那部分。它把工作流表现、改进结果，还有执行反馈，都回灌进后面的搜索——说人话就是，它记得上一批流程里哪类改法有用，下一轮先往那个方向试。
我照摘要画的白板图大概长这样，不是论文原文，别当引用：
round N: 流程 p_N → 湿实验 → 命中率 h_N
↑ │
memory += (改动类型, h_N) ←──┘
round N+1: 从 memory 里挑改动类型，生成 p_{N+1}
这种记忆在同一个仓库、同一套约定里极其好使——agent 记得你最烦别人动 utils 下面的东西。一旦任务换了，它带过去的先验就可能是负债：它把“上次这么做成功了”当成“这次大概也行”，而它记住的是结果，不是当时为什么成功。
抗生素和肽-MHC 恰好是两个方向相反的例子。抗生素那边，成功的标志是结构够新，别跟已知骨架撞车；肽-MHC 那边，成功的标志是特异性，别乱结合。这两件事