用途：该指南是一份围绕「LLM 智能体用于科学发现」的精选综述，重点面向生物医学研究，追踪从全自动到人在环系统的论文、工具与框架，帮助研究者了解该领域版图并规划阅读与选型。
主要能力与内容：
- 领域地图：将 LLM 科研智能体分为假设生成（文献缺口识别、数据驱动模式发现、跨域类比迁移）、实验设计（方案生成、参数优化、对照选择）、实验室自动化（机器人控制/自驱动实验室、设备编程、数据采集编排）、分析与解读（统计分析、可视化、结果解读）、交流传播（论文写作、演示生成、同行评审模拟）。
- 关键系统清单：列出 AI Scientist（ML/AI，全论文生成流水线）、ChemCrow（化学，工具增强推理）、Coscientist（化学，自主实验执行）、BioPlanner（生物学，实验方案生成）、MedAgent（医学，临床试验分析）、GenAgent（基因组学，基因表达分析）、DrugAgent（制药，药物相互作用预测）及其领域与能力。
- 示例模式：给出假设生成（HypothesisGenerator，支持 pubmed、openalex 等知识源，输出假设陈述、依据、证据数量、新颖性与可行性评分）、自驱动实验室集成（LabAgent，配置设备与安全约束，运行剂量反应实验并输出 IC50 等）、多智能体科研协作（ScientificTeam，含 PI、实验设计、数据分析、写作等角色）三类代码示例。
- 阅读路线图：列出基础论文（The AI Scientist、ChemCrow、Coscientist、BioPlanner）、综述（Scientific Discovery in the Age of AI、Foundation Models for Science、LLM Agents: A Survey）以及伦理与局限相关文献。
- 使用场景：文献挖掘、实验自动化、药物发现、研究规划、科学写作。
使用方式与限制：以上代码为示意性模式，示例中 scientific_agent 等模块、类与接口是否真实可安装、其依赖与版本、收费与许可、是否可直接驱动真实仪器等，资料均未提供，需自行核实；文中未给出安装命令。智能体产出需人工验证，涉及生物安全与双重用途的伦理限制。