从知识到行动：2025年材料科学与化学领域LLM黑客松成果全景分析

本文系统分析2025年材料科学与化学领域LLM黑客松社区项目，识别出知识基础设施与行动系统两大应用范式，揭示从单一工具向多智能体工作流的演进趋势，为理解LLM在科学研究全生命周期中的应用提供实践分类框架。

大型语言模型（LLM）正渗透科学发现全链条，从文献检索到假设生成。2025年首届材料科学与化学LLM黑客松为观察LLM应用提供独特窗口，全球团队提交数十个创新项目，展示LLM在传统科学领域的多样化应用。

知识基础设施

核心任务是结构化、检索、综合和验证科学信息，处理静态知识层面。典型应用包括智能文献综述系统、知识图谱构建工具、假设验证助手、多语言科学翻译，特点是增强信息获取能力，作为“外脑”而非“双手”。

行动系统

目标是执行、协调或自动化科学工作，介入动态研究层面。典型应用包括实验设计优化器、计算工作流编排、实验室自动化接口、实时数据分析管道，特点是模糊认知与行动边界，从“顾问”转向“执行者”。

多智能体架构兴起

采用多智能体分工协作，如检索、推理、工具使用、验证智能体，专注擅长任务实现复杂目标。

RAG成为基础架构

检索增强生成（RAG）从可选优化演变为核心组件，满足科学领域对准确性和可溯源性的严格要求。

结构化知识表示持久化

将推理结果持久化为知识图谱等结构化形式，提升可验证性、可复用性、可组合性和增量更新能力。

视觉理解能力

结合计算机视觉与LLM，从SEM图像识别微观结构、XRD图谱解析晶体结构、相图提取相边界数据。

多语言科学文献处理

自动翻译非英语文献并保持术语准确，提取关键发现本地化，构建多语言知识检索系统，打破语言障碍。

维度	描述	示例
知识深度	处理表层信息还是深层知识	关键词检索 vs. 机理推理
行动能力	能否影响物理世界	纯信息检索 vs. 实验控制
自主性	需要多少人工干预	辅助工具 vs. 自主代理
可验证性	输出能否独立验证	黑盒生成 vs. 溯源引用
协作模式	与人类研究者互动方式	问答界面 vs. 工作流集成
该框架帮助定位项目、识别改进方向，促进比较学习。

关键挑战

• 准确性vs创造性张力：生成新颖假设能力有限
• 可解释性与可信性：需提高推理透明度
• 数据质量与偏见：文献发表偏见可能被放大
• 计算成本与可持续性：大型LLM调用成本高

未来需平衡准确性与创造性，提升可解释性，缓解数据偏见，优化模型效率。

2025黑客松标志材料科学与化学领域AI应用转折点，LLM从通用对话助手演变为可组合的科学推理基础设施。核心特征包括从问答到工作流、单模态到多模态、信息到行动、通用到领域化。虽挑战存在，但方向清晰，未来LLM将加速科学发现，改变研究者互动方式。