收录解读
生物实验和细胞/类器官制造面临的核心问题，不只是 protocol 多、执行复杂，更在于 planning、wet-lab execution、phenotyping、literature grounding 和后续改进通常是割裂的。作者把问题提升为一个 agentic-physical research lifecycle：让多 agent reasoning 与真实实验活动、AR 接口和长期记忆持续耦合。
Agentic Lab 的核心机制是由 protocol design、knowledge retrieval、multimodal analysis、segmentation/representation learning 等 specialized subagents 组成的 orchestration 架构，并由虚拟 principal investigator MolAgent 统筹。系统能在 organoid differentiation 流程中自动生成 protocol、监控实验步骤、识别形态异质性，将表型与文献知识对齐，并提出针对性的改进建议，同时通过长期记忆持续累积实验日志。
它值得正式收录，因为这篇论文已经明显超出一般 bioautomation demo，进入了 adaptive DBTL-style biological workflow 的层面。对仓库来说，它是 AI 驱动实验 biology / biomanufacturing 的一条重要代表：AI 不只是做分析模型，而是参与设计、执行、解释和迭代全过程。
它暂时还不到更高一级，原因是当前仍是早期 preprint，且实验范围主要集中在 organoid/cell research lifecycle。它的系统方向很强，但距离成为更广 wet-lab automation 的统一基线还需要更多外部采用和独立验证。