RetroAgent：利用大语言模型在结构化记忆上搜索以进行代理逆合成规划

多步逆合成规划旨在通过一系列可行反应将目标分子分解为市售构建块，其巨大的组合搜索空间极具挑战性。传统方法结合树搜索与离线训练的价值网络，缺乏对完整多步路径的推理；现有大语言模型方法则受限于简单接口。本文提出 RetroAgent，一种通过结构化记忆连接符号搜索与神经推理的大语言模型代理。该代理利用记忆与化学工具观测完整搜索状态（包括已探索路径、备选方案及中间体属性），从而基于全局进展与领域知识做出明智决策。实验表明其在分布内及分布外基准测试中均表现出卓越性能与泛化能力。