凌晨两点，某高校材料实验室。博士生盯着屏幕上的分子模拟结果，第17次迭代又失败了。文献还没看完，实验排期卡在下周，导师三天后就要中期汇报。

这不是个例。材料化学、分子催化这些领域，从查文献、做模拟到跑实验，一个课题磨上两三年是常态。成员分工靠微信群@人，数据传递用U盘，经验传承靠师兄师姐口传心授。

打开网易新闻 查看精彩图片

4月25日，中国科学技术大学发布的"灵境造物"智能科研云平台，想改变这个局面。它背后站着的，是华为支持的openJiuwen社区与MindSpore社区，以及一整套叫Coordination Engineering（协同工程）的技术体系。

核心问题很直接：怎么让AI从"一个能聊天的工具"，变成一支能自主分工、闭环执行的"科研精锐组织"？

单兵Agent的天花板：科研不是一个人能打完的仗

AI Agent的进化速度肉眼可见。从Prompt Engineering（提示工程）到Context Engineering（上下文工程），再到Harness Engineering（工具调用工程），行业一直在打磨"怎么让单个Agent更好用"。

但科研场景有个特殊之处：它天然是跨环节、长链路、强分工的。

一个催化剂研发项目，需要文献调研Agent读几百篇论文，分子建模Agent生成候选结构，性能预测Agent做高通量筛选，实验设计Agent规划合成路线，最后实验执行Agent操作机器人验证。这些环节环环相扣，前一个没走完，后一个动不了。

单Agent再强，也只能串行处理。让它先读文献、再建模型、再跑模拟、再设计实验，一个流程跑下来，时间成本扛不住。更麻烦的是，它没法"并行作战"——不能让文献Agent和建模Agent同时开工，因为两者需要实时对齐信息。

openJiuwen社区的判断是：科研效率的瓶颈，不在单个Agent的能力，而在多Agent怎么组队、怎么分工、怎么协同。

这引出了Coordination Engineering的核心命题：不是优化"一个人"，而是设计"一支组织"的协作机制。

Agent Group Engine：模拟人类组织的协作逻辑

openJiuwen的解法，是做一个叫Agent Group Engine的底层框架。它的设计理念很朴素：让AI像人类组织一样工作。

具体怎么实现？三层结构：

第一层，分级自主协同。一个Leader Agent（领队智能体）负责全局——接到科研需求后，动态组建组织、拆解任务、管理依赖关系、监控整体进度。多个Member Agent（成员智能体）各自领任务、独立执行、遇阻求助、完工汇报。Leader不 micromanage（微观管理），Member也不各自为战。

第二层，Group Workspace共享工作区。所有成员操作同一个工作空间，产出实时可见。调研Agent生成的数据分析报告，写PPT的Agent直接引用，无需手动传递文件。前序任务的产出自动成为后续任务的输入，协作流程像流水线一样顺畅。

第三层，全生命周期管控。从组织组建到任务完成，Leader全程把控关键决策节点，防止Member偏离目标。事件驱动机制确保系统不会僵死——某个成员卡住时，自动触发处理逻辑。GroupMonitor提供全程可观测能力，每个成员在干什么、进度如何，一目了然。

以"某物质催化剂研发"为例：Leader自动拆解为文献调研、候选材料生成、理论筛选、实验设计等子任务；动态组建文献分析Agent、分子建模Agent、催化性能预测Agent、实验执行Agent；梳理任务依赖（理论筛选完成才能启动实验设计）；全程监控并灵活调整分工。

这套机制的关键突破，是让多Agent从"顺序执行"变成"并行协作"，从"被动响应"变成"主动分工"。

Group Skills：把"优秀组织"变成"可复制的能力"

Agent Group解决了当下怎么协作的问题。但会话一结束，经验全部消失。下次遇到同类科研任务，Leader仍然从零开始规划：需要哪些角色、怎么分工、谁先谁后、什么条件算完成。

人类科研组织怎么解决这个问题？靠SOP（标准作业程序）、靠项目文档、靠老带新的经验传承。但AI组织没有"记忆"，每次重启都是新手。

Group Skills的设计目标，就是把一次成功的组织协作全链路——需求拆解、组织组建、任务分配、协作流程、交付标准——封装成一个可复用的"技能包"。

封装之后，Leader Agent遇到同类任务，直接调用对应的Group Skill，一键生成配置好的协作组织。就像人类项目经理翻开过往项目的复盘文档，快速复制成功经验。

更关键的是，Group Skills支持自演进。每次实战中的优化——比如发现某个环节容易卡住、某种分工效率更高——自动沉淀回技能包，让组织能力持续进化。

从"能用"到"好用"：国产技术栈的闭环

Coordination Engineering不是空中楼阁。它向下扎根于华为昇腾AI算力与MindSpore框架，向上支撑灵境造物的科研全流程。

这种全栈国产化的意义在于：从底层算力到上层应用，形成了一个可控、可优化、可迭代的完整闭环。科研数据不出境，技术演进不受制于人。

对于每天泡在实验室的博士生来说，这套体系的价值很实在：文献调研从几周压缩到几天，分子模拟从串行排队变成并行推进，经验传承从"靠运气遇到好师兄"变成"标准化技能包随取随用"。

凌晨两点的实验室里，屏幕上的迭代次数或许不会消失。但第17次失败之后，系统已经自动调用了3个分析Agent并行排查原因——这才是"体系作战"的真正含义。