在科学研究中，Agentic AI-for-Science能够自动化创意生成、规划和分析，但最终的验证仍依赖于真实实验。自驾实验室（SDL）可以执行这些实验，但过程仍然存在瓶颈：智能体可能在低价值实验上花费过多轮次，或者每轮实验可能需要高成本。我们针对这两个物理瓶颈设计了一个智能体。首先，基于先验知识的智能实验设计（DOE）循环利用领域知识和过去的结果来提出可行且信息丰富的下一步实验，从而减少实验次数。其次，成本感知的代理智能体从低成本、低分辨率的测量中预测高成本、高分辨率的测量。它根据预测的不确定性在高成本和低成本测量之间做出选择。我们在生物学和材料领域分别考察了这些方向。结合起来，这些组件在单个智能体的框架下，旨在通过减少循环次数和每次实验的成本来加速SDL的工作流程。