LLM 代理通过逐步编辑配体并对每一步进行对接来优化蛋白口袋中的配体。近期的代理会先进行额外的对接探测，使用受控编辑产生的探针来获取指导信息，这些信息被报告为比模型已有的化学知识更有帮助。探针随后会与产生它们的实例一起被丢弃，显而易见的下一步是将这些探针保存在经验库中，让新口袋能够继承之前已经付出的探索成本。经验库通过一个 key 进行读取：在过去的编辑中记录的属性被聚合，新的编辑则根据相同的 key 进行查找。
我们使用 CrossDocked2020 测试集口袋上一次完整运行的日志，检验其 key 是否会在从未见过的口袋上再次出现，并且仍能区分提升编辑与下降编辑。将编辑所在位点的接触信息、编辑动作以及迭代轮次作为 key，经验库能够明显区分两类编辑。进一步分析表明，这种区分主要由编辑导致的分子大小变化、动作本身以及轮次决定，这些因素并未直接描述目标口袋。
这并不意味着目标口袋不重要：直接使用口袋名称作为 key 能将提升与下降编辑分离得更为显著。对于经验库中不存在的口袋，转移必须依赖描述而非身份。我们评估了多种精确匹配的描述方式，发现更具体的描述很少出现，而更粗糙的描述提供的区分度很低；能够转移的信号主要描述编辑本身以及产生的分子，而非目标口袋。
在本研究的表征和查找方案下，经验库更适合作为代理自身提案的对接优先级排序工具，而不是直接给出应构建的分子结构。
点评