北京中关村学院与中关村人工智能研究院联合开源材料研发智能体系统MatOS。该系统通过分层科学资产图与自适应工作流,实现能力持续沉淀与复用,显著提升长周期材料计算与筛选成功率。
大语言模型(LLM)驱动的 AI 智能体已能检索文献并调用模拟软件,但要让其独立主持长周期的材料科学研究,仍面临巨大阻碍:传统流程中,面对从数千万候选结构中逐级筛选或数百种合金配方试错,智能体极易随对话窗口拉长而偏离目标;同时,每次接入新计算工具往往需要推倒重来,前期积累的实验与调优经验也难以跨任务复用。
针对这些痛点,北京中关村学院与中关村人工智能研究院联合开源了面向材料研发的科研 AI 智能体系统——MatOS。该系统将数据、知识、工具、技能、角色与工作流统一抽象为“科学资产”,不仅能调度底层计算软件执行复杂任务,还能将任务中获得的验证经验反哺系统,实现科研能力的自主迭代进化。

相关论文已提交至 arXiv 技术报告,项目代码也已在 GitHub 开源。目前,MatOS 资产库已内置 3,135 个数据集、386 项技能、104 个工作流及 51 个专家角色,并深度集成了 48 款主流材料计算软件。
为突破材料长周期科研难题,MatOS 采用了三大核心设计:

MatOS 将科研资源沉淀为六类资产:数据、知识、工具、技能、角色与工作流,各资产间通过依赖、调用和验证等关系互联。技能定义了具体计算任务的操作规范(如分子动力学模拟的前提与检查指标);角色则是具备特定权限的专家 AI 智能体;工作流负责组织各阶段任务衔接。
科研人员既能按标准接口登记新算法,系统也能在执行过程中沉淀新资产。所有资产修订均有据可查,避免了模型“黑盒”决策带来的不可控性。

长周期科研往往持续数天,传统单会话 Prompt 极易出现漂移或超时。MatOS 将具体研究转化为有状态执行图,节点包含明确的输入输出条件和资产依赖,仅将方案决策和异常研判交由大模型处理。
所有节点状态、计算快照均在系统层面持久化,独立于 LLM 上下文。耗时较长的后台计算完成后会自动唤醒系统继续推进;当遇到意外结果时,系统或研究人员可动态调整执行图,通过结构与编译检查后更新流程。

工具调用失败、模拟时间不足等问题会被系统记录为反馈证据。MatOS 评估证据后定位至对应资产并触发局部修订,例如将特定模拟平衡时长由 50ps 延长至 200ps。修订方案通过语法结构检查与语义审查后方可入库生效。
经验固化在独立于模型之外的资产库中,无需对底层大模型进行微调,且能无缝迁移至不同基础底座模型上。

在自主科研基准 ResearchClawBench 评测中,搭载 GPT-5.4 的 MatOS 平均得分达到 19.46,在材料领域任务得分比基线 Codex CLI 高出 80.8%;搭配成本更低的 DeepSeek 模型时,MatOS 单任务平均成本仅约 0.85 美元(不到基线的三分之一),且得分依然超越各主流智能体基准。


在材料软件调用基准 MatTools 上,以 DeepSeek 为共同底座时,MatOS 完整问题成功率达到 97.96%,多步工具调用基准 SciAgentGym 成功率达 59.5%,均领先于对比系统。

目前,MatOS 已在多个材料科研场景落地验证:


团队表示,MatOS 下一步将打通实验室硬件与自动化实验仪器,实现从计算筛选、方案设计到湿实验验证的端到端闭环。
免费获取企业 AI 成熟度诊断报告,发现转型机会
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断