Robin: A Multi-Agent System
for Automating Scientific Discovery

近年来生物学数据量呈指数级增长，但我们对这些知识的整合、解读和假设生成能力却远远跟不上。Paul Nurse 在 Nature 上指出：

生物学不能只产生数据，还必须产生想法。

数据不等于知识，知识不等于洞见——从海量数据中提炼可检验的假设，恰恰是最困难的环节。

已有药物的安全性已经过验证，可大幅缩短研发周期。但相关的生物学知识散落在不同文献里——知识的碎片化与学科隔阂导致大量「低垂的果实」未被及时摘取。

更多的药物重定位机会可能通过逻辑连接现有的生物学研究来识别。

这些例子说明，科学见解早已存在于文献中，但临床转化总是滞后数年甚至数十年。

近年来出现了不少基于 LLM 的 AI 系统——有的能自动生成假设，有的能预测药物性质，有的能辅助文献检索。但问题是：没有一个系统能够同时完成假设生成、实验设计、数据分析和假设更新的完整闭环。

第 1 步 · 锁定治疗策略

输入：「干性年龄相关黄斑变性（dAMD）」

Robin 首先对 dAMD 的病理机制进行了广泛的文献审阅。Crow 分析了 151 篇论文，提出了 10 个可能的疾病因果机制。经过 LLM Judge 排序，排名最高的策略是：增强视网膜色素上皮（RPE）细胞的吞噬功能。

这个选择的内在逻辑是：dAMD 的核心病理之一是 RPE 细胞无法有效清除脱落的视杆外段（ROS），导致 drusen 沉积和细胞死亡。如果能增强 RPE 的天然吞噬能力，就可能延缓或逆转疾病进程。

第 2 步 · 从文献到候选药物

确定了体外模型（RPE 细胞吞噬实验）后，Robin 进行了更大规模的文献搜索——Crow 再分析约 400 篇论文，提出了 30 个候选药物。接着 Falcon 对每个候选药物进行了深度评估，包括作用机制、药代动力学、已知毒性、以及支持证据的可靠性。经过 LLM Judge 锦标赛排序，前 5 名进入实验验证。

人类团队在 ARPE-19 细胞系上进行了流式细胞术吞噬实验。 随后将原始数据直接交给 Robin 的数据分析代理 Finch。Finch 完全自主地对流式数据进行了设门、统计检验和可视化分析，自动得出结论，结果清晰：Y-27632（一种 ROCK 抑制剂）显著增强了 RPE 细胞的吞噬能力。阳性对照 MFGE8 有效，其他候选无效。

551 篇论文 30 分钟 ~$10.76

第 3 步 · 自主探索机制（AI 的好奇心）

在第一轮实验后，Robin 没有止步于「Y-27632 有效」这个结论。它自主提出了一个后续实验建议：对 Y-27632 处理的 RPE 细胞进行 RNA-seq，以探究其增强吞噬的分子机制。

人类团队执行了实验，将原始测序数据交给 Robin。Finch 启动了 8 条独立的分析轨迹，每条轨迹独立完成差异基因表达分析。元分析的结果令人惊讶：

• ABCA1 上调 3 倍（adj. p = 2.13 × 10⁻⁸³）——在超过半数的分析轨迹中一致确认
• ABCA1 是 ABC 转运蛋白家族成员，负责胆固醇和磷脂的跨膜外排
• GO 富集显示：肌动蛋白骨架组织、小 GTP 酶信号、自噬通路被激活
• 值得注意的是，Apo-E（ABCA1 的脂质受体）正是一种已知的 AMD 遗传易感基因

第 4 步 · 迭代的力量——更好的答案

基于 RNA-seq 的新发现，Robin 利用「实验增强的文献综合」机制，在第二轮迭代中生成了更精准的候选药物列表。这一次的候选药物充分考虑了第一轮的实验数据和新发现的机制通路。

人类团队测试了 Robin 在第二轮中提出的 10 个候选药物。这一次的结果更令人振奋：

• Ripasudil——同样是一种 ROCK 抑制剂，但在日本已获批用于青光眼的治疗。它比 Y-27632 具有更高的效力和已知的临床安全性。在 RPE 吞噬实验中，Ripasudil 的表现优于 Y-27632。
• KL001——一种此前从未与 RPE 吞噬功能关联过的化合物，代表了全新的治疗方向。

两种药物均在原代人 RPE 细胞（RPE-SC，来自 >60 岁老年供体）中进行了验证，使用了更生理性的 pHrodo 标记的牛视杆外段作为吞噬底物。

与 OpenAI Deep Research 的对比

作者将同样的候选生成任务交给 OpenAI Deep Research（一个通用的多步研究 Agent）。DR 生成了 17 个唯一候选药物，但没有一个在吞噬实验中有效，而且 DR 完全没有提出 ROCK 抑制作为治疗策略。

这说明了关键区别：Robin 的成功不是来自「更好的 LLM」，而是来自专用架构——Crow 的超高效文献检索 + Falcon 的严格评估 + Finch 的数据分析 + Lab-in-the-loop 的迭代机制。

通用 Agent 做广度检索，专用架构做深度科学发现。

Crow 是 Robin 的文献搜索专家，基于 PaperQA2 构建，专门负责从海量文献中快速提取关键信息。它的核心设计理念是广度优先、引用可验证、低成本——不追求深度分析，而是快速覆盖多个方向，为后续筛选提供素材。

PaperQA2 是一个超人类水平的文献检索 Agent，能够自主搜索、阅读和理解论文全文。Crow 每次调用从文献库中筛选并阅读约 10-20 篇相关论文，最终输出简洁的综述和具体答案。

四大核心功能

1. 疾病病理探索：给定疾病名后，Robin 先提出一系列关于病理机制的问题（如「dAMD 的主要病理机制有哪些？」），然后调用 Crow 逐一回答。
2. 因果机制识别：基于 Crow 的汇报，Robin 识别出 10 个潜在因果机制（如氧化应激、自噬受损、RPE 吞噬功能下降等）。
3. 体外模型提案：针对每个机制，Crow 搜索适合的体外细胞模型和实验方法。
4. 文献基础构建：为后续 Falcon 的深度评估提供文献引用基础，确保每个候选药物都有至少 20-50 篇相关文献支撑。

Falcon 是 Robin 的质量守门人，同样基于 PaperQA2，但采用了不同的工作模式——从「广度搜索」切换到「深度验证」。

Falcon 的设计哲学是「生成-验证」分离：Crow 负责提出候选假设（发散），Falcon 负责严格评估每个候选（收敛）。这种分离架构避免了 LLM 对自己提出的假设产生「自证偏见」——评估者和提议者是两个独立的 Agent。

五维评估体系

Finch 是 Robin 的数据分析引擎，也是最独特的技术贡献之一。它不是一个简单的工具调用器，而是一个生成式推理引擎——实时编写可执行的 Python/R 代码来分析实验数据。

Finch 基于 Aviary 框架构建。Aviary 是一个可扩展的「gymnasium」风格的 Agent 环境，专为科学任务的评估和迭代求解而设计。它提供了标准化的软件环境、一致的工具访问和结构化的多步推理支持。

极简双工具设计

Finch 只通过两个工具与环境交互，这种极简设计确保了行为的可控性：

• edit_cell：编辑和执行 Python/R 代码单元格。支持安装新依赖、读取和分析数据。
• submit_answer：提交最终分析答案，结束一次分析轨迹。

八迹共识机制

每次数据分析，Robin 都启动 8 条独立的 Finch 分析轨迹。每条轨迹使用相同的提示和数据，但由于 LLM 推理的随机性以及 gating 选择、过滤参数等分析决策的差异，每条轨迹可能产生不同的结果。

• 独立运行：每条轨迹在各自的 Docker 容器中独立运行，互不干扰
• 共识阈值：每条轨迹在 最多 10 步内 必须提交最终答案，超时或未提交视为分析失败。
• 元分析：8 条轨迹的答案汇总后进行交叉验证——只有在多条轨迹中一致出现的结论才被采纳
• 可重复性：标准化的 Docker 环境确保了评估的可重复性，将评估限制在 Finch 的分析能力本身，而非依赖安装或环境配置

准确率对比

论文专门用 BixBench 基准对 Finch 进行了细粒度评估：

Finch 在 Robin 工作流内的准确率远高于独立基准，这归功于任务特定的多步提示策略 + 有限步骤的结构化环境。BixBench 的表现差异也揭示了当前的瓶颈：生物信息学任务的多步流水线复杂度远高于单步统计计算，这正是未来改进的方向。

Bradley-Terry-Luce 模型原理

BTL 模型假设每个候选方案 i 有一个潜在的实力参数 λ_i。当方案 i 和 j 比较时，i 被认为优于 j 的概率为：

P(i > j) = λ_i / (λ_i + λ_j)

LLM Judge 的每一次比较结果（胜/负）都是一次观测数据。BTL 模型通过最大似然估计，计算出能最佳解释所有比较结果的 λ 值集合，按 λ 值排序得到最终排名——比简单计票更稳健，能有效减少位置偏差。

从自主 Agent 到确定性工作流——务实主义的胜利

论文最初实现的 Robin 是一个完全自主的 Agent——系统自己决定什么时候调用 Crow、Falcon、做排名。但在实践中发现，Robin 几乎总是以完全相同的顺序调用这些工具。于是作者做了一个非常务实的决定：把 agentic 实现改成了确定性的 Jupyter notebook 工作流，每一步预先定义好。

多 Agent 分工与幻觉的层级纠正

Robin 用了两个文献 Agent：Crow 负责简洁检索，Falcon 负责深度报告。消融实验揭示了关键机制：同时去掉 Crow 和 Falcon 时幻觉引用率飙升；只去掉 Falcon 幻觉率也很高；但只去掉 Crow（保留 Falcon）幻觉率没有显著上升。

作者的解释：Crow 搜集初步文献时可能产生幻觉，但 Falcon 在撰写最终报告时会重新检索并验证 Crow 的信息，从而纠正了大部分幻觉。Falcon 就是那个"幻觉过滤器"。

Finch 多轨迹共识分析——拥抱随机性

LLM 的分析结果天然具有随机性——即使同样的数据和提示，两次运行也可能不同。作者没有试图压制这种随机性，而是反过来加以利用：对同一份实验数据并行启动 8 条独立的 Finch 分析轨迹，每条独立完成完整流程（写代码、做图、统计检验），最后进行元分析，看哪些结论是大多数轨迹都支持的，形成"共识驱动"的最终结论。

三个设计启示 · 总结