Ai赋能材料 3小时前 · 2026-09-08 06:05:27 · 6 阅读

AIAgent|综述AI智能体驱动 MOF 与 COF 发现的三阶段演进

Ai赋能材料——————————————————

原文链接：

https://www.oaepublish.com/articles/aiagent.2026.33

How to Cite：

Yu, J.; Jiang, Z.; He, D. AI agents for MOFs and COFs discovery. AI Agent 2026, 2, 18. https://dx.doi.org/10.20517/aiagent.2026.33

扫码阅读原文

一

研究背景

金属有机框架材料（MOF）和共价有机框架材料（COF）是多孔材料研究中的重要体系。它们具有规则孔道、高比表面积和可调控的化学环境，因而广泛应用于气体分离、催化、传感、能源转化和环境相关领域。

然而，MOF 和COF的“可设计性”本身也带来了复杂性。金属节点、有机构筑单元、连接方式、溶剂体系、反应温度、时间、催化剂和活化条件，都会影响最终材料是否形成、是否结晶、是否具有目标孔结构和性能。相关信息又分散在论文正文、补充信息、晶体数据库、PXRD图谱、吸附等温线和实验记录中。材料发现并不是简单预测一个性质，而是要在合成、结构、表征和性能之间不断建立联系。

近日，香港科技大学（广州）助理教授贺冬琳、博士生于佳玉、姜子豪在AI Agent发表Mini Review，系统梳理AI agent在MOF和COF发现中的发展路径。文章用两个维度理解这一过程：一是科学依据约束，即AI的判断在多大程度上受到文献、数据库、知识图谱、模拟和专业工具的约束；二是实验参与程度，即AI是否参与实验执行，并利用实验结果指导后续步骤。基于这两个维度，作者将相关进展分为三个阶段。文献分析工具: 科应全球文献AI平台(www. scienceing. com)

二

全文速览

第一阶段：由研究人员介导的原生大语言模型AI Agents

第一阶段是由研究人员介导的大语言模型AI Agents。在这一阶段，大语言模型主要帮助研究人员拆解任务、阅读文献、整理信息和规划实验。它可以生成研究思路，也可以辅助总结实验结果，但工具选择、实验执行和结果判断仍主要由研究人员完成。

这一阶段的意义在于，AI开始参与科研任务的组织过程。对于MOF和COF这样变量众多的体系，研究人员需要同时考虑结构设计、合成条件、结晶性、孔结构和性能目标。大语言模型可以帮助梳理这些信息，提出候选方案，并在多轮讨论中辅助优化实验计划。

但在这一阶段，实验反馈通常仍需要人工解释和转述。AI并没有稳定地接收机器可读实验结果，也无法独立把这些结果转化为下一轮实验决策。因此，它更像是研究人员身边的规划助手，而不是完整科研流程中的自动执行者。

第二阶段：数据库支撑、工具调用型AI Agent

第二阶段的核心变化，是AI Agent开始摆脱单纯依赖语言模型自身知识的状态，转而接入外部数据库、文献记录、知识图谱、预测模型和模拟工具。也就是说，AI的判断不再只来自提示词和模型记忆，而是更多受到可追溯科学证据和专业工具结果的约束。

对于MOF和COF研究，这一阶段主要包含两个方面：一是把分散的材料知识整理成机器可以使用的资源，二是AI Agents调用科学工具参与性质预测、候选筛选和材料设计。前者为后者提供可靠基础，后者则把这些基础进一步转化为具体的发现流程。

把分散材料知识变成机器可读资源

MOF 和 COF 研究中的数据往往并不集中。同一种材料可能在不同论文中使用不同名称；合成条件可能散落在正文、表格和补充信息中；结构、性质和表征结果也常常存在于不同数据库或实验记录里。如果这些信息不能被统一、校正和连接，后续的预测、筛选和设计就缺少可靠基础。

因此，第二阶段首先需要建设机器可读的材料知识体系。它要把材料身份、组成、结构、合成条件、表征结果、性能数据和数据来源连接起来，使这些信息能够被检索、追踪和复用。对于AI Agents来说，这相当于建立可更新、可验证的科学记忆。

让AI Agent调用科学工具参与材料设计

在机器可读知识基础之上，AI Agents还需要调用外部科学工具参与材料发现。例如，它们可以把研究问题转化为计算流程，调用孔结构分析、分子模拟、量子化学计算、性质预测或多目标优化工具，用于候选筛选、逆向设计和性能评估。

这一阶段的AI Agents已不只是帮助研究人员阅读文献或生成方案，而是开始在外部证据和专业工具之间组织工作流。它们可以根据已有数据提出候选材料，也可以利用模拟和优化结果对候选进行排序。不过，物理实验通常仍主要用于后续验证，还没有完全进入自动化决策循环。

第三阶段：实验集成、反馈驱动型AI Agents

第三阶段进一步把自动化实验和表征反馈纳入AI Agents的工作流程。AI生成的实验条件可以由机器人或自动化平台执行，实验测量结果再以机器可读形式返回，用于指导后续实验批次。

在MOF和COF研究中，PXRD、吸附测试、光谱、显微表征和稳定性测试等结果都可能成为反馈信号。它们不只是用来确认实验是否成功，也可以帮助AI判断哪些合成条件更值得继续探索，哪些候选方向需要调整。

这个阶段体现出AI Agents在材料发现中的角色变化：它们不只是辅助生成想法，也开始连接文献知识、实验平台、表征数据和下一轮实验设计。研究人员仍然负责目标设定、安全约束、异常处理和科学判断，但实验信息可以更稳定地进入后续决策流程。

展望

总体来看，AI Agent正在从文本辅助走向更完整的科研工作流：整合文献阅读、数据库访问、模拟计算、优化筛选，并在部分案例中接入实验反馈。不过，这一方向仍处在早期阶段，现有案例的数量和适用范围都还有限，未来仍需验证其能否推广到更广泛的晶态多孔材料体系。

文章指出，下一步关键不只是扩大语言模型，而是建立更可靠的科学支撑体系。这包括更完整、可复用的实验记录，将材料组成、拓扑结构、合成历史、表征结果、性能数据、不确定性和失败实验连接起来；也包括对AI输出进行化学知识验证，例如电荷平衡、连接关系、化学计量、热力学合理性和实际实验限制。

同时，AI Agent还需要更好地利用多模态证据。MOF和COF的关键信息常常存在于PXRD图谱、吸附等温线、光谱、显微图像和晶体结构文件中。对于闭环发现，标准化仪器接口、样品追踪、质量控制记录和机器可读实验格式也将十分重要。只有这些基础环节逐渐成熟，AI Agent才不只是更强，也会更可信、更适合参与真实的材料发现。

「AI Agent」期刊

点击左下角可阅读原文

培训与学习

【计算】复旦大学向红军/褚维斌团队Phys. Rev. Lett.：机器学习哈密顿量驱动固体实时激发态非绝热分子动力学

J. Magnes. Alloys | 河南科技大学 | ACINN模型实现Mg-Y-RE合金流变应力高精度预测（R≈0.99，AARE仅6.63%）

【JACS】从63674条数据到草酰乙酸——洛斯阿拉莫斯团队借力AI与自动化实验实现稀土分离选择性提升4倍

【计算】J. Am. Chem. Soc.：北师大团队揭示转角MoS₂复合动力学调控新机制——温度决定缺陷与莫尔势“协同”还是“对抗”

来源：AI Agent学术交流

注：本公众号秉持学术交流宗旨，所推送内容仅供学习研讨，非商业用途。诚邀材料与人工智能领域的专家学者赐稿，分享“AI+材料”前沿研究成果！本平台对转载、分享的内容、陈述及观点保持中立，不对其准确性、可靠性或完整性提供任何明示或暗示的保证，读者请自行判断并参考，平台不因此承担任何责任。声明：公众号所发布的所有内容（包括文字、图片、视频等）来源于网络或用户投稿，版权归原作者所有。如涉及版权问题，我们将及时处理。

投稿邮箱：ai_materials@163.com

微信群聊：Ai+材料科研交流群

加群方式：添加微信（FC13296996229），备注：单位-姓名-研究方向，审核后邀请入群

编辑备注：2026.09.07 春博士成长营