区分指令与执行
科学工作流包含多个可分别审查的层次：指令描述流程，智能体协调步骤，而工具执行文档检索或分子计算等操作。技能可以为智能体提供指导，但并不因此提供执行这些指导所需的软件、凭据或科学验证。
选择资源之前，先梳理这些层次各自承担的职责。哪个组件选择下一步操作？哪个执行计算？哪个写入文件？谁来审批可能产生重大影响的变更？让工具实现、工作流指令和模型配置保持可分别检查。以下建议是拟议的设计与评估步骤，不是第一手测试报告。
按工作流角色匹配资源
链接的资源参考资料描述了四种不同的切入点：
- ChemCrow 通过基于 Langchain 的 Python 智能体，将自然语言化学问题与工具连接起来。其所述集成包括 RDKit、paper-qa、化学信息源以及由 RXN4Chem 支持的反应工具。公开仓库省略了论文中的部分工具，并明确警告称无法复现论文结果。
- PaperQA 支持科学文档检索和带文内引文的问答。其所述工作流会搜索本地文档集、检索段落并生成证据摘要。
Docs接口支持文档选择与查询，无需智能体编排。 - Coscientist 提供了一个简单实现和用于研究支持的数据。README 将各目录对应到合成规划、库选择、重复运行和优化。链接的参考资料并未证实其执行流程或仪器就绪状态。
- Scientific Agent Skills 提供工作流指令和配套资源，而非独立的研究智能体。其 README 描述了化学、数据库、模拟和分析方面的指导；是否能够执行取决于宿主环境及各项技能的依赖项。
这些角色可以为工作流设计提供参考，但不足以证明这四种资源能够互操作。
定义边界明确的输入与输出约定
从结果易于检查、无需授予广泛自主权的任务开始。文献提取是一个值得考虑的选择：智能体接收指定的文档集，并返回与证据关联的记录，而不是自行决定接下来要开展什么研究。
选择智能体之前，先写明约定：
- **输入：**明确允许使用的文件、科学问题、可接受的标识符和任何排除标准。
- **输出：**定义必需字段、来源引用、不确定性标签，以及供审核者检查的格式。
- **权限：**规定允许读取和写入的内容，以及允许访问的网络目的地。
- **审批关卡：**指出哪些操作需要人工参与，包括扩展语料库或更改解释。
- **停止条件：**证据、权限或必需输入缺失时，要求停止或升级处理。
考虑确定性工具或人工控制的检索工作流是否已经足够。只有在能够评估智能体编排增加的额外选择时，编排才有意义。
通过假设性规划示例梳理流程
**假设情景：**研究人员希望比较一小批获准使用的 PDF 中所报告的反应条件。这是一个规划示例，不代表经过测试的集成，也不是进行这些反应的建议。
输入应包括 PDF、措辞范围明确的提取问题，以及涵盖底物标识符、报告的条件、产率、来源位置和注意事项的字段定义。拟议的输出应为一张表格和一份异常记录。缺失信息应继续标记为缺失；相互矛盾的报告应分别记录，不应在不说明的情况下擅自调和。
PaperQA 是文档检索和带引文回答的候选工具，因为参考资料描述了这些能力。选定的技能可以提供流程指导，但仍需单独评估其宿主环境。只有在新增的化学工具步骤有明确依据时，才应考虑使用 ChemCrow；基本文档提取并不需要它。
拟议流程是：人工选择文档、检索支持性段落、起草记录、逐条对照来源检查记录，并取得审核者批准。进行任何计算之前，先问：这个字段是来源中报告的，还是推断得出的？分子标识符是否明确无歧义？这项计算是否回答了已提出的问题？Coscientist 的研究目录可以为单独研究规划方法提供参考，但不能替代这份提取约定。
限制工具，并将检索内容视为数据
只开放完成边界明确的任务所必需的能力。使用专用输出位置，限制网络访问，并确保凭据不出现在检索到的文档或生成的记录中。不要允许论文、README 或技能指令自行授予新权限或覆盖工作流控制措施。
启用技能之前，应先检查其中范围明确的一部分。Scientific Agent Skills 可能包含辅助程序以及直接操作文件或代码的功能；仅有指令并不能构成执行沙箱。同样，ChemCrow 的外部反应工具以及 PaperQA 对模型、嵌入和元数据的依赖，都需要单独配置和评估。应记录这些边界，而不是将上游服务视为内置能力。
让每项结果都附带证据
要求科学结论同时提供来源标识符和位置。记录每个数值是提取、转换还是计算所得，并在适用时注明所用工具。经许可的情况下，保留中间证据。
PaperQA 的引文提供了追溯证据的途径，但不能保证答案正确。应检查引文段落是否支持具体主张、限定条件是否得到保留，以及表格或图形是否得到了恰当解读。如果无法检查某个来源，应标出这一限制，而不是用看似合理的文本填补空缺。
评估失败情形并做好变更控制
围绕文件缺失、标识符含糊、文档相互矛盾、不受支持的问题和工具错误设计评估案例。纳入试图改变工作流方向的检索文本。检查系统是否遵守审批关卡并报告不确定性；行文流畅并不能证明内容正确。
使用明确的字段级验收标准，将提取记录与人工准备的参考集进行比较。不要根据仓库描述或其他地方取得的研究结果推断性能。对指令、启用的工具和模型配置进行版本管理，并在变更后重复具有代表性的评估。明确保留人类对科学解释和重大影响操作的责任。
使用简短的启动清单
- 定义可检查的输入、输出和停止条件。
- 只选择任务所需的资源角色。
- 检查技能、依赖项和外部服务要求。
- 限制权限，并要求审批范围变更。
- 在扩大使用范围前核验证据并测试失败处理。
- 记录配置变更和未解决的限制。