药物发现涉及分子设计、性质预测和虚拟筛选等多个相互关联的研究阶段。这些阶段的工作流复杂，计算任务相互依赖，需要大量专业工具，给模型协同和计算资源调度带来巨大挑战。现有基于大语言模型（LLM）的科学代理在自主规划复杂任务、动态选择专用模型以及可靠执行多阶段计算方面仍存在不足，限制了其在自动化药物发现流水线中的效用。\ \ 为克服上述瓶颈，本文提出 DrugCoding，一个集成科学任务规划、适配模型路由、多代理协作和程序化工具执行的系统。DrugCoding 能够自主生成任务计划，根据研究目标动态调用专用科学模型，自动生成并运行代码，并通过多代理协同实现高效执行和可靠验证。\ \ 系统核心包括：\
- 任务规划模块：解析自然语言需求，构建多阶段工作流。\
- 模型路由器：根据任务子阶段的特性选择最匹配的专用模型（如分子生成模型、属性预测模型）。\
- 代码生成与执行引擎：自动生成符合工具接口的代码块并在安全沙箱中运行。\
- 多代理协作层：不同代理负责不同子任务，结果通过统一接口汇总并进行一致性校验。\ \ 在实验中，针对多语言模型和多种科学工具接口进行多轮工具调用评估。DrugCoding 在完整基准上的会话级 Pass@1 平均达到 97.35%，比最强基线 Codex 高出 9.24%。在更具挑战性的子集上，Pass@1 达到 97.92%，同样领先基线。\ \ 这些结果表明，DrugCoding 在科学工具调用和多阶段任务执行方面具备显著优势，能够在药物发现等高复杂度科研场景中提供可靠的自动化支持。\ \ 点评：DrugCoding 通过任务规划、模型自适应和多代理协作，实现了对复杂药物发现流程的高度自动化，显著提升了工具调用的成功率，为未来 LLM 驱动的科研自动化奠定了坚实基础。