这是一篇名为“LC Agent: Toward AI-Driven Recommendation of Liquid Chromatography Conditions for Chemical Reactions”的原创性研究论文，以下是对该研究的详细学术报告。

研究概要及发表信息

本研究由三星先进技术研究院（Samsung Advanced Institute of Technology）的Youngchun Kwon、Hyukju Kwon与成均馆大学（Sungkyunkwan University）工业工程系的Jinju Park等人共同完成。其中，Youngchun Kwon和Hyukju Kwon为共同第一作者，Youn-Suk Choi和Seokho Kang为共同通讯作者。该研究成果于2026年6月9日发表在分析化学领域的权威期刊《Analytical Chemistry》上。

学术背景与研究目的

液相色谱（Liquid Chromatography, LC）是分析化学中鉴定和监测化合物的基础工具。然而，将其应用于复杂的化学反应体系仍面临巨大挑战。核心困难在于，反应体系中的多种反应物和产物通常具有迥异的物理化学性质，为单一化合物优化的分析方法往往无法满足对整个反应的全面检测需求。建立一个能够在单次分析运行中，同时实现对所有反应组分进行检测和色谱分离的统一液相色谱条件，是一项复杂的任务。传统上，这需要分析化学家凭借深厚的专业知识并进行大量的经验性测试（Trial-and-Error）。本研究旨在探索大型语言模型（Large Language Models, LLMs）驱动的智能体（Agent）在推荐反应级液相色谱条件方面的能力，通过模拟人类专家的决策过程，实现分析方法开发的自动化与民主化，降低专业门槛。

详细工作流程

本研究提出并实现了一个基于大型语言模型的多智能体系统（Multi-Agent System），该系统通过模拟分析化学家的思维过程，为给定的化学反应自动推荐液相色谱条件。其工作流程主要包含以下四个核心阶段。

第一阶段：查询扩展（Query Expansion）。由于通用大型语言模型在识别化学分子式和推断基本分子性质方面存在缺陷，本系统引入了查询扩展机制。当用户以反应SMILES（Simplified Molecular Input Line Entry System）格式和自然语言约束条件输入一个化学反应后，系统会首先为反应中的每种化合物计算一组与液相色谱行为密切相关的分子描述符（Molecular Descriptors），例如分配系数（logP）、拓扑极性表面积（Topological Polar Surface Area, TPSA）、氢键供体/受体数量、精确质量以及特定官能团数量等。这些结构化的化学知识被整合到提示词（Prompt）中，以增强大型语言模型在化学推理上的准确性。

第二阶段：化合物级分析（Compound-Level Analysis）。此阶段由多个功能特化的子智能体（Subagents）协同完成。生成智能体（Generation Agent）和搜索智能体（Search Agent）并行工作，为每种化合物生成候选液相色谱条件。搜索智能体利用网络搜索工具（Web Search Tool）和学术检索工具（Scholarly Search Tool）从文献中检索已报道的实验条件，而生成智能体则基于大型语言模型的学习知识进行探索性设计。随后，反思智能体（Reflection Agent）会对这些候选条件进行审查，提出改进其清晰度、正确性和完整性的建议，并可调用外部工具获取补充知识。进化智能体（Evolution Agent）则根据反思结果，对条件进行精炼和优化，最终为反应中的每种化合物都生成一套完善的化合物特异性液相色谱条件。

第三阶段：反应级整合（Reaction-Level Integration）。此阶段的目标是整合来自上一阶段的化合物特异性条件。整合智能体（Integration Agent）负责将多个化合物的方法合并为一套统一、实用且安全的反应级条件，确保所有组分都能在同一色谱运行中被检测和分离。之后，元评审智能体（Meta-Review Agent）会对生成的多个候选反应条件方案进行评估和排序，评价标准包括反应覆盖率、溶剂/添加剂兼容性、峰分辨率/选择性和保留行为。最后，报告智能体（Reporting Agent）负责生成技术报告的构成要素，包括一个概述预期色谱行为和执行摘要，以及一个比较各推荐条件优缺点的对比表格。

第四阶段：人机交互与反馈优化。系统通过一个基于Gradio开发的网页用户界面与用户交互。当系统生成初步的液相色谱条件推荐报告后，用户可以通过对话界面提供反馈。系统内的监督智能体（Supervisor Agent）会分析用户的意图，如果用户提出修改意见，系统会将反馈整合到工作流中，触发新一轮的迭代优化，实现“人在回路”（Human-in-the-Loop）的精细化调整。

主要实验结果与分析

研究团队以有机电子材料领域的四个代表性化学反应（Rx.01至Rx.04）为案例，验证了该系统的有效性。每个反应均涉及两种反应物和一种产物。实验使用由Vanquish Flex液相色谱系统和Thermo Scientific TSQ Quantis Plus质谱仪组成的分析平台，并在给定的七种色谱柱、运行时间低于10分钟等实验室约束条件下进行。研究通过比较三种条件下的色谱性能来评估系统：无约束的参考条件、系统在给定约束下生成的初始条件，以及根据实验反馈更新后的条件。色谱性能通过分辨率（Resolution, Rs）、峰容量（Peak Capacity）和分离效率（Separation Efficiency）三个指标定量评价。

对于反应Rx.01，初始条件使用Waters Cortecs C18色谱柱，成功分离了三种化合物，分辨率远超1.5的基线分离标准。但观察到反应物2的峰存在显著拖尾。研究团队向系统提供了“改善反应物2的峰形”的反馈后，系统更新了条件，将色谱柱更换为具有离子交换和反相混合机制的Imtakt Scherzo SM-C18，并调整了流动相和梯度。更新后的色谱图显示，反应物2的峰对称性得到显著改善，同时维持了良好的分离度。

对于反应Rx.02和Rx.04，初始条件下所有组分均可被检测，但均出现了反应物1峰强度过低的问题。在接收“增强反应物1的检测能力”的反馈后，针对这两个反应，系统均建议将紫外检测器（UV）的检测波长从254纳米调整至210纳米。研究团队为遵循实际应用中最小化工作量的原则，仅在保持其他参数不变的情况下测试了波长调整的效果。结果证实，仅此一项修改就使得两个反应中反应物1的峰强度显著增加，信噪比得到有效提升。

对于反应Rx.03，初始条件下反应物2的保留时间极短，仅为0.34分钟，存在与溶剂前沿共流出的高风险。在接收“增加反应物2的保留时间”的反馈后，系统更新了条件，使用了混合模式的Scherzo SM-C18色谱柱，并实施了更为精细的梯度。更新后的条件成功地将反应物2的保留时间延长至0.92分钟，有效地使其远离溶剂前沿，从而避免了共流出风险。

研究结论与价值

该研究成功构建了一个基于大型语言模型的多智能体液相色谱条件推荐系统。该系统能够根据用户以自然语言提供的化学反应和实验约束，自主地检索文献、推理化合物性质、生成并迭代优化色谱条件，最终生成可直接用于仪器设置的推荐报告。案例研究证实，该系统推荐的条件具有很高的适用性，并且能够通过接收有针对性的反馈来精细调整参数，实现了人与智能体协作的分析方法开发模式。

该研究的科学价值在于，它开创性地将智能体技术应用于分析化学方法的系统化开发，证明通过恰当的上下文工程（Context Engineering）和外部工具增强，大型语言模型能够模拟专家级的科学推理和决策。其应用价值在于，该系统有望极大地降低液相色谱方法开发的难度和时间成本，使非专业人员也能获得合理的分析方案，为自动化实验室和“自驱动实验室”（Self-Driving Laboratories）的发展奠定了技术基础，是迈向分析仪器参数全自动配置的重要一步。

研究亮点

本研究的亮点主要体现在三个方面。第一，其方法学具有新颖性，它并非简单的模型预测，而是设计了一套模拟分析化学家完整决策链的多智能体系统，包含生成、检索、反思、进化、整合和元评审等多个角色，实现了复杂推理过程的自动化。第二，该系统在实际应用场景中展现了价值，不仅在给定的硬件和时间约束下提供了可行的方案，还证明了通过“人在回路”的交互模式，能够根据特定的实验现象进行定向的、有意义的优化。第三，系统具备处理复杂对象的能力，即它面向的并非单一化合物，而是包含多种性质各异化合物的完整化学反应，解决了分析领域中的一个真实痛点。