[SCI论文写作素材]AI Agent 在不同领域的应用-可用于SCI论文写作

AI Agent 在不同领域的应用特别适合Introduction**可用于SCI论文写作有参考文献格式和连接。**应用领域核心智能体名称核心技术架构核心性能/实验数据核心研究结论连接高分子材料设计Polymer-Agent基于LLM推理能力集成TransPolymer聚合物属性预测模型、Molecule Chef分子生成模型采用Model Context Protocol (MCP) 实现工具调用闭环支持属性预测、目标导向的聚合物结构生成与结构优化全流程1. 5种核心聚合物属性电子亲和能、体带隙、介电常数、电导率、OPV光电转换效率的预测R²值分别为0.85、0.89、0.71、0.71、0.302. 生成的聚合物SMILES有效性100%合成可及性(SA)评分分布在1.094-7.953之间3. 电导率优化目标下单属性头优化结果与目标值偏差仅1.3%实现了高分子设计的闭环自动化降低了实验室研究的技术门槛可快速生成目标属性的可合成聚合物结构大幅减少研发试错成本为高分子材料的高效研发提供了智能化工具https://doi.org/10.1021/acs.jcim.6c00343农业AI Agent (植物工厂)Chuiyuan垂元智能体采用分层渐进式架构基础设施层集成农业领域多模态大模型Agrosage-VL与通用大模型Qwen、DeepSeek核心层实现规划、记忆、工具调用能力知识层通过RAG技术构建千万级植物工厂专业知识库支持栽培方案生成、环境调控、病害诊断、成本核算全流程功能1. 104道植物工厂专业测试题中Chuiyuan平均得分9.24/10远超基线模型DeepSeek-V4-Flash的7.0/102. 104道测试题中Chuiyuan赢102道仅2道输给基线模型3. 核心视觉模型Agrosage-VL综合准确率达90.27%完美适配植物工厂多场景需求Chuiyuan智能体可实现植物工厂的全流程智能化管控推动植物工厂从经验驱动的人工操作转向数据驱动的智能管理有效降低能耗与人力成本提升作物产量与品质为植物工厂的规模化、无人化发展提供了核心技术支撑https://doi.org/10.1002/moda.70044多智能体物流调度机器人取放配送MAPD-EA团队智能体基于TP-CA-M算法针对多智能体取放配送(MAPD)问题提出MAPD-EA问题变体团队智能体通过概率占用模型、马尔可夫模型对外部智能体的行为进行建模扩展Token Passing算法实现带碰撞规避与重规划的路径规划1. 采用马尔可夫模型的TP-CA-M算法在单向仓库环境中冲突次数从106.19±60.77降至10.54±5.64降幅达90%2. 死锁数量从21降至8降幅61.9%3. 重规划次数减少带来的效率提升抵消了模型计算开销部分场景下任务完成时间无显著增加通过对外部智能体的行为建模可主动规避冲突大幅降低动态环境下多智能体取放配送任务的碰撞与死锁概率显著提升任务执行效率与系统稳定性https://doi.org/10.1016/j.robot.2025.105000交通调研与访谈模块化交通调研AI智能体采用分层模块化架构集成工程化提示词、交通领域专业知识库、可定制的目标导向对话逻辑支持多模态文本、语音、图像、多语言英/法交互内置全流程隐私保护机制实现调研流程的全自动化1. 基础设施项目公众感知调研中AI智能体的有效完成率达66.7%远超传统网页问卷的37.9%2. 30%的开放式问题中智能体主动发起澄清请求显著提升了响应的明确性与准确性3. 专家访谈中成功收集53份高质量响应覆盖全球多地区的交通领域专业人士数据后处理准确率达100%模块化AI智能体可有效解决传统交通调研的成本高、可扩展性差、响应质量低等核心问题显著提升公众参与度与数据质量同时保障调研过程的隐私与伦理合规为交通领域的调研工作提供了全新的智能化解决方案https://doi.org/10.1016/j.commtr.2025.100172液流电池能源存储Chat-RFB集成LLM与领域知识图谱(KGs)通过RAG技术实现专业问答基于5353篇液流电池领域文献构建包含164232个节点、853939条关系的专业知识图谱支持Cypher查询实现精准知识检索模块化架构支持底层LLM灵活替换1. 选择题准确率Chat-RFB 94.9%远超DeepSeek-v3(90.9%)、GPT-4o(90.7%)等通用大模型2. 非选择题准确率Chat-RFB 93.3%大幅领先通用大模型DeepSeek-v3 75.6%、GPT-4o 68.9%3. 领域知识抽取F1-score达0.9889真阳性率达97.8%Chat-RFB是首个液流电池领域集成LLM与知识图谱的专业问答系统大幅提升了领域专业问答的准确性有效降低了大模型幻觉问题为能源存储领域的科研工作者提供了高效、可靠的智能辅助工具https://doi.org/10.1039/D4DD00247A**文献**高分子材料设计领域Nigam, V., Chandrasekhar, A., Farimani, A. B. (2026). Polymer-Agent: Large Language Model Agent for Polymer Design. Journal of Chemical Information and Modeling, 66, 5145−5154. https://doi.org/10.1021/acs.jcim.6c00343现代农业领域Wang, S., Kang, L., Zhu, Q., Zha, P., Li, J., Zhang, H., Lin, R. (2026). Chuiyuan: A Large Language Model‐Driven AI Agent for Plant Factories‐Applications and Perspectives. Modern Agriculture, 4, e70044. https://doi.org/10.1002/moda.70044多智能体物流调度领域Bonalumi, L., Flammini, B., Azzalini, D., Amigoni, F. (2025). Multi-Agent Pickup and Delivery with external agents. Robotics and Autonomous Systems, 191, 105000. https://doi.org/10.1016/j.robot.2025.105000交通调研与访谈领域Yu, J., Zhao, J., Miranda-Moreno, L., Korp, M. (2025). Modular AI agents for transportation surveys and interviews: Advancing engagement, transparency, and cost efficiency. Communications in Transportation Research, 5, 100172. https://doi.org/10.1016/j.commtr.2025.100172液流电池能源存储领域Wang, H.-T., Bai, X., Zheng, Z., Zhang, X., Jin, R., An, H.-T., Xie, Z.-H., Lv, X.-L., Li, J.-R. (2026). Chat-RFB: a flow battery chat system leveraging knowledge graphs and large language models. Digital Discovery. https://doi.org/10.1039/D4DD00247A