AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org

人工智能正在重塑科学发现的方式，然而其在材料科学研究中的应用仍受限于割裂的计算生态、可重复性难题以及对商业大语言模型（LLMs）的依赖。本文我们推出了AGAPI（AtomGPT.org API），这是一个开放获取的智能体式人工智能平台，集成了八种以上开源大语言模型与二十多个材料科学领域的API接口，通过统一的编排框架整合了数据库、模拟工具和机器学习模型。AGAPI采用“智能体—规划器—执行器—总结器”架构，能够自主构建并执行涵盖材料数据检索、图神经网络性质预测、机器学习力场优化、紧束缚计算、衍射分析及逆向设计等多步骤工作流程。我们通过端到端的实际案例展示了AGAPI的能力，包括异质结构建、粉末X射线衍射分析以及需多达十个连续操作步骤的半导体缺陷工程。此外，我们还使用30多个示例提示作为测试用例对AGAPI进行评估，并比较了智能体在有无工具支持情况下的预测结果与实验数据的一致性。目前已有超过1,000名活跃用户，AGAPI为可重复、由人工智能加速的材料发现提供了可扩展且透明的基础平台。AGAPI智能体的代码库可在 https://github.com/atomgptlab/agapi 获取。

论文试图解决材料科学研究中人工智能应用受限的问题，具体包括计算生态系统碎片化、结果难以复现以及对商业大语言模型的过度依赖。这一问题在当前AI for Science兴起的背景下尤为突出，虽然已有部分尝试，但系统性开源、可复现的AI代理平台仍属稀缺，因此具有较强的新颖性和现实需求。

提出AGAPI（AtomGPT.org API），一个开放访问的代理式AI平台，采用Agent-Planner-Executor-Summarizer架构，集成八个以上开源大语言模型与二十多个材料科学API接口，实现从任务规划到执行、总结的全自动多步工作流。其创新在于将LLM作为智能代理，协同调度数据库、模拟工具和机器学习模型，支持端到端的材料发现任务，显著提升自动化与可复现性。

平台已支持异质结构构建、粉末X射线衍射分析和半导体缺陷工程等复杂任务，最多涵盖十步连续操作；通过30多个测试提示评估性能，并对比有无工具调用时的预测准确性，验证了工具增强的重要性；目前拥有1000多名活跃用户，代码完全开源（https://github.com/atomgptlab/agapi），具备良好的可扩展性与透明度，为AI加速材料发现提供了可复现的基础框架。

1. Materials Graph Network for Property Prediction 2. AIPrime: An AI Platform for Autonomous Scientific Discovery 3. Mat2Spec: Generative Retrieval of Inorganic Materials from Text Descriptions 4. Autonomous Nanomaterial Design via Bayesian Optimization and Active Learning 5. Language Models as Agents for Scientific Workflows