多目标材料发现常借助大语言模型（LLM）代理生成候选材料，但受限于候选数量和每次昂贵属性评估对后续搜索的指导力度。现有代理仅记录已评估材料及其得分，能够辨认成功的材料，却无法追溯导致属性变化的具体编辑操作，从而在目标相互竞争时难以进行局部细化——提升某一属性的编辑可能会损害其他已满足的约束。
TRACE（Transition-Aware Residual Control）将每一次局部编辑视为基本的反馈单元。它记录每一次父材料‑编辑‑子材料的转移，并保存观察到的属性增量 $\Delta$，随后聚合这些转移证据以估计编辑的可复用效应。基于此估计，TRACE 为未来的编辑打分，优先选择那些能够最大化降低当前材料剩余约束违背程度且对已满足目标损害最小的编辑。
在与同骨架的 LLEMA（当前最先进的 LLM 代理基线）进行对照实验时，TRACE 将宏平均命中率从 18.13% 提升至 25.96%，展示了显著的性能提升。
博主点评：TRACE 通过把编辑本身作为学习信号，实现了对材料属性变化的细粒度理解，为多目标优化提供了更高效的搜索策略，值得在实际材料发现工作流中进一步验证。