尽管 AI 驱动的分子生成取得了突破，但现有的发现流程大多停留在计算阶段，湿实验仅用于最终验证，缺乏迭代改进的闭环。本文以蛋白结合适配体设计为实验平台（每轮 1‑2 周、每候选 $1\sim$ $3），构建了一个与 AI 系统闭环的湿实验环境。\ \ 我们让基于大语言模型的推理代理在三个设计‑测试‑改进循环中针对 α‑凝血酶和肌红蛋白开发结合适配体，每轮约 1,000 条候选、共计约 4,400 条构建。统计显示新候选的珠子校正命中率在 α‑凝血酶上从第 1 轮的 0.0% 提升至第 2 轮的 26.0% 再到第 3 轮的 42.1%（去除文献模体后为 37.1%），在肌红蛋白上分别为 10.2%、3.7% 与 33.5%。\ \ 对八个全长 α‑凝血酶候选进行单克隆珠子结合滴定，结果与混合测序富集度呈高度相关（Pearson $r = 0.90$）。在这些实验中，代理设计的文献来源模体通过降低非特异性反应实现了表观亲和力 $K_D = 24.6\sim133$ nM，而全新 scaffold 的亲和力约为低微摩尔级（$K_D \approx 1\ \mu$M）。\ \ 利用肌红蛋白的结合数据，管线识别出 G‑四链体结合空间并诊断出交叉反应导致的目标特异性从 75.0% 降至 19.1%。随后通过策略调整将特异性恢复至 72.4%。\ \ 实验结果表明，实际实验数据的价值超过现有的计算代理，迭代的实验反馈使 AI 代理能够识别测定误差并在多轮中优化分子设计。\ \ 点评：本研究展示了在低成本、短周期的适配体平台上，LLM 代理通过实验闭环实现了显著的命中率提升，验证了实验反馈在分子发现中的关键作用。