Operon-S1 论文提出将生物 Agent 的决策与执行解耦以实现低成本可测控制

该论文提出 Operon-S1，一种针对长周期生物科学 Agent 的快速决策控制器，其核心机制是将“判断”与“执行”分离，把 Agent 在 13 个关键节点面临的惯例、技能、错误、证据和停止等判断转化为封闭问题，由独立的 System 1 模型负责裁决而非由驱动任务的通用大语言模型处理。

实测数据显示，在七个生命科学基准测试中，本地决策模型在 CPU 上以 0.6 秒的中位时间完成循环内请求的判断，且不产生任何请求成本；相比之下，由通用大语言模型直接回答相同问题会消耗任务总成本的 8.0% 至 35.2%。尽管决策层被剥离，Agent 在六个基准中的五个基准上的得分未出现可测量的下降，且所有决策均记录后果，支持基于任务构建标签、验证器或执行反馈进行重训练以提升准确率。

这一架构使得 Agent 的决策能力成为一个可测量、可替换和可训练的独立层级，类似于生物操纵子开关基因而不生产产物。事实层面，该方案已在湿实验室协议故障排查和种系靶点富集面板设计中得到应用；推断层面，这种解耦设计可能显著优化长周期科研 Agent 的单位经济模型，使其从依赖昂贵推理模型的线性成本结构转向固定低成本的决策层结构；猜测层面，未来是否会出现专门针对特定领域优化的轻量级决策模型替代当前本地模型尚需观察，但现有证据表明该分层架构具备工程落地价值。