本文聚焦于通过语言模型（LLM）代理在 GPU 评估器上搜索紧凑且高精度的交换-相关（XC）泛函。我们使用 Model Context Protocol 将前沿 LLM 代理（Opus‑5.5）与自洽求解流程相连，支持仅训练阶段的拟合、持久记忆以及自洽与外部评估。相较于 Codex（GPT‑6‑Astra）代理，Opus‑5.5 代理在筛选阶段使用的 token 数约少 40 倍，并发现了一组在验证集和保留集误差均更低的候选。唯一进入自洽评估的候选为 13 参数泛函 O159，其核心思想是用一个平滑的密度窗口乘以同自旋相关项。
对 O159 进行重新拟合后，窗口会整体缩放同自旋因子，使其峰值降低 $15\%\sim30\%$，并主要在近等轨道区域影响反应能。与不使用窗口的对照相比，O159 在 GSCDB137 数据集上将重原子总能误差降低 $29\%$。在进化搜索方面，SyFES 进行约 $400$ 次拟合未能超越其 GAS22 种子，而代理通过加入显式密度尺度，使验证误差降低 $0.10\sim0.13$ \kcal。自洽计算表明，O159 将 MGCDB84 测试集上 $\omega$B97M‑V 的误差降低 $11.7\%$，其在 36 个 GSCDB137 子集上的平均归一化误差比为 $1.139$，略优于 $\omega$B97M‑V 的 $1.144$，并低于 GAS22 的 $1.190$。
点评：前沿 LLM 代理能够在保持物理可解释性的前提下，显著压缩搜索空间并发现性能优于传统进化算法的 XC 泛函，展示了 AI 与量子化学结合的强大潜力。