今天的 AI 资讯简报优先按伯乐Skill / AI News Radar 的方法筛选公开、可核验的一手来源：官方博客、官方变更日志与公开技术文章。重点不是追逐传闻，而是看哪些更新能说明 AI 产品和开发工作流正在怎样变化。

1. OpenAI 展示近自主 AI 化学家改进药物化学反应

OpenAI 与 Molecule.one 介绍了一个将 GPT-5.4 接入 Maria AI 与高通量实验室的研究案例。系统围绕 Chan–Lam coupling 的一个困难变体提出方案、设计实验、分析结果并建议后续实验；人类化学家保留方向选择、实验校正与验证环节。官方文章称，在优化条件下，多数组合的测得产率得到改善，并完成了代表性反应的人工台架验证。

为什么值得看：这类案例把“AI 做科研”从答题评测推进到实验闭环。它仍不是完全自主科研，但展示了模型、实验自动化和人类专家协同的实际路径。

2. OpenAI 发布 LifeSciBench，评估生命科学真实研究任务

OpenAI 发布 LifeSciBench，用于评估 AI 系统处理生命科学研究任务的能力。官方介绍称，该基准包含 750 个专家撰写任务，覆盖证据处理、分析、设计优化、科学推理、验证运营、转化和科学沟通等工作流，并由生命科学专家设计细粒度评分标准。

为什么值得看：生命科学里的“有用”往往不是背出一个事实，而是在不完整证据、实验限制和风险判断之间做出可靠推理。更贴近真实工作的评测，会影响科研模型之后的训练、产品定位和安全审查。

3. GitHub Copilot Chat 的自动模型选择面向所有用户可用

GitHub Changelog 宣布，Copilot Chat 在 github.com 与 GitHub 移动端的自动模型选择已经面向所有 Copilot 计划可用。该模式会根据请求复杂度和实时可用性动态选择模型，并允许用户查看实际使用的模型、按需切回指定模型。

为什么值得看：开发者工具正在从“手动挑模型”转向“按任务路由模型”。这能降低选择成本，也让企业策略、成本控制和质量体验变成同一个产品问题。

4. GitHub 与 Hugging Face 都在推进 Agentic Resource Discovery

GitHub 发布 Copilot 的 agent finder，Hugging Face 也发布了 Agentic Resource Discovery 相关介绍。两边共同指向一个趋势：代理不应永远依赖预先手工安装的工具、技能和服务，而是可以在受控目录中搜索、排序并按需加载合适能力。

为什么值得看：MCP、Skills、A2A 解决了“怎么调用”，而资源发现更像解决“该调用谁”。随着代理工具链变长，发现、权限和治理会成为关键基础设施。

5. Hugging Face 讨论如何评估开源模型是否足够“Agentic”

Hugging Face 博客以 transformers 为案例，讨论如何衡量模型驱动工具的全过程：不仅看最终是否成功，还看代理用了多少步骤、是否绕开库、文档和 API 是否帮助代理更高效地完成任务。

为什么值得看：当代码库的用户从人类开发者扩展到编码代理，API、文档和示例的设计目标也会改变。以后“agent-friendly”可能会像“developer-friendly”一样成为基础工程质量指标。

今日观察

今天的共同主题是：AI 正在从单点能力进入系统协作阶段。科研场景需要实验闭环和专家审查，开发者工具需要模型路由与能力发现，开源生态开始评估工具是否适合代理使用。真正重要的，已经不只是“模型会不会”，而是模型能否在可控流程里稳定、透明、可验证地完成工作。

公开来源

• OpenAI：A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry
• OpenAI：Introducing LifeSciBench
• GitHub Changelog：Auto mode in Copilot Chat available for all users
• GitHub Changelog：Agent finder for GitHub Copilot now available
• Hugging Face Blog：Agentic Resource Discovery: Let agents search
• Hugging Face Blog：Is it agentic enough? Benchmarking open models on your own tooling