新闻时间：2026-11-03。信息核验截至 2026-11-07；文中的“本站观察”为编辑分析。
这次展示的核心，是把专业工作流写成可调用的 Skills
Google DeepMind 11 月 3 日发布化学信息学案例，介绍为 Google Antigravity 构建的一组 Cheminformatics Skills。官方用真实肺癌治疗相关化合物作为示例：Agent 搜索大量化合物、进行匹配分子对分析，并给出候选大环化合物及合成路线。该案例的重点不是让语言模型独自“算化学”，而是让它组织工作流、导航数据库和协助推理。
官方明确写出另一半分工：分子计算交给确定性化学工具完成。该套工具以开源 RDKit 为基础，并连接 ChEMBL、PubChem 等整理过的资源。这个设计对许多专业 Agent 都有参考价值。
为什么“模型编排 + 可复算工具”比单次回答更重要？
| 工作层 | 适合承担的任务 | 需要如何核验 |
|---|---|---|
| 语言模型 | 拆解问题、组织资料、提出下一步 | 检查是否遗漏约束与来源 |
| 化学工具 | 结构处理、性质与分子计算 | 复算输入、版本与结果 |
| 科研人员 | 提出假设、判断可行性、安排实验 | 实验与同行评审 |
化学尤其不能依赖“看起来合理”的文字输出：一个原子或一条键改变，描述的可能就是另一种分子。把精确计算交给可复算工具，再让模型协调步骤，能降低把表述流畅误当为计算正确的风险，但不等于消除风险。
谁可以马上拿来做什么？
该页面是 Google DeepMind 对科学工作流的发布与演示，并非一份面向普通人的通用办公功能清单。公开案例说明了 Antigravity 及新 Skills 的方向，但具体可用入口、账户资格、数据访问与定价，仍需要在相关平台文档中逐项确认。实验结果也不能被当作临床或药物开发结论。
对普通工作中的 Agent 设计有什么借鉴？
本站观察：这套分工可以迁移到很多高要求任务。让模型先归类合同条款、准备数据检查清单或解释异常；把金额计算、数据库查询、规则比对交给固定程序；最后由人决定是否提交。关键不是让 Agent 替代专业责任，而是让每一层只做自己能被验证的事。
如果要试做一个类似流程，可以从低风险资料开始：先让 Agent 输出“需要哪些字段、要调用哪个工具、结果如何验收”的计划，再实际运行工具并保留原始结果。计划、计算、结论三个产物能分开检查，才有机会成为可靠的工作流。