DrugHarness 是一个可进化的智能体框架，旨在解决计算药物发现中的操作组合与约束适应问题。系统环境集成了 80 多种科学操作、医学数据库以及任务专属代码，能够在候选分子、实验结果和产出文档之间保持关联。
在每一次执行轨迹结束后，框架根据结果反馈生成 行动假设，包括可观测的适用条件、推荐的操作以及支撑证据。随后，一个独立的评审智能体对这些假设进行来源验证和必要的目标执行试验，只有通过验证的技能才会被纳入后续任务并在后续反馈中继续修正。
我们在 MolBench 与 SMDD‑Bench 两套基准上评估了该系统。未使用进化机制时，DrugHarness 在亲和力比较准确率上比 MolClaw‑CC 高出 10.8%，在前三名活性命中率上提升 55%。在加入进化后，Qwen 的亲和力比较准确率从 62.2% 提升至 81.1%，优化成功率从 79.5% 提升至 87.2%。在前瞻性的 HPK1 实验中，系统生成的候选分子中位对接得分优于 Biomni，合成化合物的细胞 IC50 为 14.19 nM，较最佳参考提升 2.64 倍，并与两位经验丰富的药物化学家设计的化合物竞争。
这些结果表明，条件化的技能进化能够显著提升科学智能体的性能，并实现了从计算药物设计到实验验证的完整工作流。
点评：DrugHarness 展示了通过动态技能进化实现高效药物筛选和优化的潜力，为未来的 AI‑驱动药物研发提供了可复制的范式。