IntelliMat发布：面向材料研发的企业级 Agent 平台

在调研了数十个材料企业的真实研发场景后，我们最深的体会是：研究人员把大量时间花在了文献调研、数据整合和结果分析上———不是因为这些工作本身有多难，而是材料研发的知识、数据和工具天然分散，每推进一步都要先把上下文重新拼起来。

仪器数据、实验记录、分析脚本、计算环境各自待在不同的地方，用的格式不同，负责的人也往往不同。真正推进项目的时候，研发人员经常不是缺一个答案，而是缺一种能把这些东西放到同一张桌子上的工作方式。

IntelliMat 做的就是这件事：让 AI 进入材料研发的真实工作台。它可以从一个问题开始，也可以从一份实验数据或一个配方开始。

我们不希望它只是一个“会回答”的助手。更重要的是，它能查资料、读数据、调用工具、跑脚本、提交计算任务，也能把流程固定下来，交给团队复用。要做到这些，IntelliMat 需要在知识库、工具执行、专业技能和工作流四个层面都往下做深。前三个是很多 Agent 平台都会提到的基础能力，但在材料研发里，每一样都有它绕不开的特殊要求。

知识库、工具、沙盒、Skills，是今天很多 Agent 平台都会提到的基础能力。我们仍然把它们放在前面讲，是因为材料研发离不开这些能力：没有知识库，Agent 很难理解材料体系和企业上下文；没有工具和沙盒，它处理不了真实数据；没有 Skills，专业步骤很难稳定复用。

材料问题很少能脱离上下文。问“钙钛矿缺陷影响电池性能吗”，和问“这个体系里哪类缺陷最可能影响 Voc 或稳定性”，不是一回事。后者需要知道材料体系、器件结构、测试条件，也要能把不同文献里的结论放在同一个问题下比较。

IntelliMat 里的知识库按材料研发语境来建。我们把材料文献、企业资料、实验记录和结构化数据放进去，公共知识库已经覆盖半导体、陶瓷、合金、聚合物、电池材料等方向；企业也可以放入自己的内部文档和实验资料。

这样 Agent 回答问题时，可以少一点通用模型的印象判断，更多回到指定资料里检索、引用，再做分析。

对材料研发来说，“说得对”通常只完成了一半。另一半是把数据读进来、把谱图拟合好、把图像里的信息提取出来、把计算任务提交上去———这些不是“辅助动作”，就是研发工作本身。

IntelliMat 里的 Agent 有可控的沙盒运行环境。技术路线上，我们采用了和 Manus 这类通用 Agent 平台相近的方式：为每一个任务分配一台环境完整、相互隔离的云电脑。Agent 可以在自己的运行环境里读取用户上传的数据，写脚本，执行命令，调用工具，检查中间结果，最后把输出整理成图表、文件或报告。

这一步的重点不在展示“会写代码”。材料研发的数据本来就需要处理：一个实验表格可能要先统一单位，再做相关性分析；一张谱图要读入、拟合、导出参数；一个分子要查结构、算性质、整理结果。单靠文本回答不够，Agent 必须能操作文件和工具。

MCP 工具、化学数据库、晶体结构分析、材料性质计算、反应模板、外部数据源，都可以接进来。企业自己的算法、仪器接口和内部系统，也可以用同样的思路接入。

沙盒能让 Agent 做事，但在实际的材料分析里，很多任务不能每次都临场发挥。

XRD 精修、XPS 峰拟合、电镜图像定量、TGA 分析、光谱解析、数据清洗、特征工程，这些任务都有相对稳定的方法。它们需要知道什么时候调用什么工具，输入文件怎么准备，失败时怎么检查，最终应该给研发人员哪些结果。

这就是 Skills 的作用。它把一类任务的做法固定下来，既保留专业步骤，也让不同人可以反复使用。

我们没有停在几个演示技能上。单看 XRD 与晶体结构方向，就拆出了自动物相鉴定、峰位与物相初筛、Rietveld 精修、GSAS-II 图谱模拟、Pawley/Le Bail 拟合、PyXRD 混合物优化、非晶与结晶度分析、序列精修、RDF、EXAFS 等一组技能。很多任务“看起来相近”，其实需要不同方法，这也是我们把 Skills 做细的原因。

这是 IntelliMat 和普通 Agent 产品拉开差异的一层，也是我们踩过很多坑之后才更重视的一层。

Agent 在沙盒里临时装了一堆包，跑通了一个模型，生成了几个中间文件，看起来任务完成了。但材料研发不会停在“一次跑通”。过两周再跑一次，环境不一定还在；换个人接手，目录结构也不一定清楚；模型文件放在哪里、训练数据是哪一版、参数怎么设的，也可能没人说得清。

还有一个更隐蔽的问题：同一个任务交给 AI 多跑几次，路径和结果可能会有差异。Skills 已经能给 Agent 提供一定约束，让它按描述好的步骤重现已有做法；但材料研发内容庞杂，数据敏感，对可复现性的要求也更高。到了这一步，就需要比 Skills 更强的规则化工作流，让关键步骤、参数、环境、输入输出和计算资源都被明确固定下来，而不是完全由 AI 在每次任务里临场决定。

所以 IntelliMat 里通过引入编排模块（Superflow）来降低 Agent 执行路径过度发散的问题。它不负责取代 Agent，而是把一次性的 Agent 执行变成可保存、可复现、可调度、可发布的研发流程。这类智能编排与应用体系，在今天的 Agent 产品里并不多见。

 

Superflow 的使用方式，更接近人和 AI 一起完成编排。研发人员可以用自然语言描述任务，让 AI 生成环境、节点、流程和任务提交方案；工程人员也可以进入网页端可视化工作台，查看 AI 生成的流程，拖拽调整节点，修改参数，确认数据和计算资源，再把它固定成团队可复用的工作流或应用。

这也是 Superflow 和很多以人工拖拽配置为主的工作流编排工具不同的地方。它不是把 AI 放在工作流外面做说明，也不是让人从空白画布开始一根线一根线搭流程。它更像一种 AI 原生的软件形态：AI 参与生成、执行和解释，人负责判断、校正和把关键环节固化下来。

更具体地说，常见工作流编排工具更擅长把问答、RAG、Agent/API、业务接口和文本输出串起来，适合做轻量 AI 应用或业务流程自动化。Superflow 兼容这些通用能力，但它更重要的部分在材料研发后半场：科学计算任务、科学计算节点、长耗时异步执行、HPC 资源调用、可复现环境与工作流、材料计算结果管理。

这意味着 Superflow 画布上的节点，不只是一个提示词、一个 HTTP 请求或一个表格处理步骤，也可以是一段 DFT 计算、一次 MD 模拟、一个相图计算流程、一组机器学习势训练任务，或者一个合金性能预测应用。对材料研发来说，这才是编排真正进入生产力场景的地方。

计算任务依赖什么 Python 包、什么软件、什么镜像，不能只写在聊天记录里。Superflow 把运行条件保存下来，后面别人才能继续跑。

原始数据、清洗结果、模型权重、计算日志、图表、报告，都需要有地方放，也需要能追溯到是哪次任务产生的。

数据准备、特征工程、模型训练、计算提交、结果解析、报告生成，这些步骤如果每次靠人记，就很容易断。工作流把顺序和依赖关系固定下来。

几百组配方、几千张谱图、几十个结构参数，不能靠 Agent 在对话里一轮一轮循环。批量任务要交给调度系统，Agent 负责策略和解释。

DFT、分子计算、机器学习训练、高通量筛选，很多都需要后端服务器、Kubernetes 集群或 HPC。Superflow 负责把任务送到合适的计算资源上。

当一个流程跑通、验证过，就可以做成应用。不是每个研发人员都需要知道后面有多少节点、多少脚本、多少环境配置。他们只需要打开一个可用的应用，输入自己的数据，得到结果。

这也是 Superflow 和应用体系必须放在一起讲的原因。只讲编排，流程还停在工程人员手里；做成应用，研发人员才可以把它当成日常工具来用。

研发数据往往包含配方、工艺、实验记录、模型参数和生产经验。对企业来说，AI 平台不能只看效果，还必须看安全边界、运行稳定性和组织协作方式。

IntelliMat 在产品设计上保留了企业级落地所需的几个底座能力：

Agent 的工具调用和沙盒执行需要在受控边界内完成，数据、文件和运行过程不应失控扩散。

长耗时任务、工作流运行、计算状态和结果产物需要可追踪，避免关键研发流程只停留在一次临时会话中。

知识库、工具、Skills、应用和编排资源需要区分公共、个人、团队和企业空间，让不同角色在合适边界内协作。

平台能力不是固定清单。企业可以继续接入自己的算法、数据库、仪器接口、HPC 资源和内部系统，让 IntelliMat 随业务一起生长。

面向高安全要求的研发场景，IntelliMat 可支持私有化和完全离线部署，让模型、知识库、工具和计算资源运行在企业自己的安全环境中。