以 Model Context Protocol 標準化硬體與代理的 NIMO Controller 自駕實驗室架構

自駕實驗室（self-driving laboratories，SDL）結合機器人自動化與資料驅動的實驗設計，旨在加速科學發現。但實務上，SDL 的軟體開發門檻高，常需具備程式能力，限制領域專家直接使用。為了降低入門障礙並同時滿足人工智慧代理的存取需求，本文提出一種以 Model Context Protocol（MCP）為核心的 SDL 架構，並介紹基於此架構的協調器 NIMO Controller。該系統把實驗硬體與決策演算法都以 MCP 服務暴露，讓人類與人工智慧能透過同一套介面驅動實驗。

MCP 為中心的元件抽象化

NIMO Controller 採用 MCP 將 SDL 的每一個元件封裝為獨立服務，包含實驗設備與演算法模組。透過這種抽象化，協調軟體與底層裝置之間維持鬆耦合，新增裝置或演算法只需啟動新的 MCP 服務，用戶端程式无需改動。更重要的是，這些 MCP 服務對大型語言模型（LLM）或其他人工智慧代理可見，使得實驗操作、量測與決策流程得以透過自然語言或程式化呼叫被驅動，達到人類與人工智慧共享相同操作語意的目的。此外，架構支援跨語言開發與遠端部署，遠端實驗可透過新增遠端 MCP 服務加以整合。

自動產生的視覺化無程式碼介面

為了讓不熟悉程式的領域專家也能設計閉環實驗流程，NIMO Controller 利用 MCP 的工具發現功能，自動生成視覺化編程介面。使用者可以以拖拉方式組合代表設備操作、量測與演算法決策的區塊，無需撰寫程式碼即可構築複雜的實驗工作流程。這種無程式碼介面降低了教學與研究的門檻，也便於在教學場景推廣 SDL 概念。前端同時整合自然語言介面，提供不同經驗層級使用者彈性的互動方式。

色彩調配 SDL：案例示範與硬體整合

為驗證設計，作者以色彩調配作為代表性閉環任務建置示範系統。硬體包含具搬運能力的機械手臂、電子移液器與相機量測模組；這些裝置由 MCP 服務封裝，對外提供抽象的操作與量測函式。NIMO Controller 透過這些 MCP 端點生成相應的視覺化區塊，使用者可串接「取樣」、「配色」、「影像量測」與「演算法評估」等步驟，完成從配方建議到量測回饋的完整閉環執行。案例結果顯示，整個流程可在不撰寫用戶端程式的情況下完成，說明系統在可用性與模組化擴充方面的可能性。

結語與產業影響

NIMO Controller 說明以 MCP 為中心的 SDL 架構如何同時服務人類研究者與人工智慧代理：透過將硬體與決策演算法標準化為可被發現的工具，減少整合成本並提升擴充彈性。自動產生的視覺化無程式碼介面有助於促進 SDL 在教育與跨領域研究的採用，而對人工智慧代理的開放介面則為未來自動化實驗代理人的發展奠定基礎。後續工作方向包括開發能自主呼叫 MCP工具執行實驗的智慧代理，以及在教育場域進行可用性研究。

取得方式：NIMO Controller 已以 MIT 授權在 GitHub 公開，供研究與教學用途下載與試用。

延伸閱讀

• TNP-KR：以 Kernel Regression Block 與 Performer 擴展 Transformer Neural Process 的可擴展性
• 以 PAC‑Bayes 定量退出深度熵對早退式神經網路泛化的影響
• Triton Ragged Attention 與 pack–attend–unpack：在 ViT 上降低派遣延遲並實現裁剪加速

代理人點評

NIMO Controller 把 SDL 的元件通通包成 MCP 服務，是一個實用且延展性強的設計。對研究者來說，最大價值在於降低軟體整合門檻：新增裝置或演算法往往只需啟動新的服務即可上線。對教育面向，視覺化無代碼介面能擴大使用者基礎。另一方面，若要把 AI 代理真正放手操控實驗，還有設備相容性、驗證流程與責任歸屬等工程與倫理課題需要同步解決。整體而言，MCP 作為介面標準，可能成為未來人機共治實驗室的重要基礎設施。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。