本文综述科学大语言模型（LLMs）在生物化学领域的研究，涵盖文本知识、小分子、蛋白质、基因组序列及其组合，从模型架构、能力、数据集和评估等方面进行分析。文章探讨LLMs在化学分子发现、药物设计、性质预测和反应化学中的应用，指出其可加速文献回顾、代码开发与科学写作，但面临数据偏颇、事实准确性低和伦理问题等挑战，并展望整合化学知识、持续学习与可解释性改进等方向。

该文综述大型语言模型中的检索增强生成（RAG），归纳Naive、Advanced、Modular三种范式及检索器、生成器、增强方法等核心组件，讨论评估方法与自动框架，并介绍CRAG、Self-RAG等改进方案。指出RAG在鲁棒性、信息整合等方面仍存挑战，未来可从垂直优化、水平扩展和生态建设推进。