في عالم الأبحاث العلمية، تساهم البيانات المتناثرة والمعارف المتزايدة بشكل كبير في تطوير مدى فعالية الأبحاث. تمثل دراسة المواد أحد المجالات الحيوية التي تتطلب عمليات متعددة تبدأ من تحليل الأدبيات إلى التقييم التجريبي. ومع ظهور نماذج الذكاء الاصطناعي، أصبح بالإمكان استرجاع بيانات المواد، وتشغيل أكواد المحاكاة، وإنهاء دورات تصميم-تصنيع-توصيف نظمياً، مما يتيح للباحثين أكثر من مجرد أدوات تقليدية.

لكن التحدي الحقيقي يكمن في تطوير هذه النماذج لتكون أكثر فعالية، حيث يسعى النظام الجديد المعروف باسم MatOS (نظام تشغيل الوكيل) إلى معالجة هذه الصعوبات من خلال ثلاثة مكونات أساسية:

1. **رسم بياني للموارد العلمية**: يقوم بتنظيم البيانات والمعرفة والأدوات والمهارات كأصول يمكن إعادة استخدامها.
2. **سير عمل تكيفي**: يمكّن النظام من تشغيل المهام بشكل مرئي واضح يمكننا من متابعة سيرها وإعادة تشغيلها عند الحاجة.
3. **تطور الأصول استنادًا للأدلة**: يعمل على تعديل الأصول على أساس سجلات الأداء وردود فعل المستخدم.

عبر منصة ResearchClawBench، يظهر MatOS تحسنًا ملحوظًا بنسبة 11.15% مقارنةً بأفضل نموذج سابق باستخدام نفس النموذج الأساسي. كما حقق أداءً أفضل من Codex CLI وClaude Code في مجالات متعددة، حيث تجاوز Codex CLI بنسبة 2.13% في MatTools و4.17% في SciAgentGym. وبفضل هذا التطوير، نجح النظام في تقليص 30 مليون التركيب المحتمل إلى 97 مرشحًا للموصلات الصلبة، وكشف النقاب عن 89 متغيرًا للهلائيد أكثر كفاءة مقارنةً بالهياكل الأصلية.

إن نجاح MatOS يثبت أن تنظيم القدرات البحثية كأصول قابلة لإعادة الاستخدام يساعد الوكلاء في إجراء دراسات طويلة ومعقدة في مجال المواد بشكل أكثر كفاءة. الكود متاح للتحميل على GitHub: رابط GitHub للكود.