AI+MD多智能体-四天运行复盘

先总结结论：人工参与很少，基本AI智能体负责，只在重要时刻飞书通知我。

四天踩了五个深坑，增加了TOKEN消耗：

坑 1：Intel MPI 把 CP2K 钉死在一个核上

坑 2：几何构造公式错了，BDE 偏差高达 61 kcal/mol

坑 3：O 原子 SCF 死活不收敛，O 原子的自洽场计算振荡不停。原因是开壳层单原子使用传统对角化方法容易陷入振荡。

坑 4：LAMMPS 源码硬编码，P 和 Si 元素消失

坑 5：漏写 timestep，步数 9999 时全线崩溃

以上都为AI团队处理，自动修复。

一、为什么要搭多智能体，而不是写脚本？

科学计算有一个特点：流程长、环节多、崩溃频繁、人工干预成本高。

一次完整的计算工作流可能跨越多个软件（量子化学软件、分子动力学引擎）、多个阶段（参数优化 → 短时验证 → 长时模拟），单次任务动辄几小时到几天。中间任何一个环节崩溃，如果没有人盯着，计算资源就白白浪费了。

传统做法是写 shell 脚本轮询日志、发邮件告警。问题在于：脚本没有记忆，没有决策能力，没有容错隔离。一个环节挂掉，往往带崩整个流程。

多智能体的思路不同：把每个职责拆成一个独立 Agent，各自运行，通过共享状态协调，互不阻塞，互不拖累。

二、整体架构：三层两总线

三个核心设计原则：

• 文件总线解耦
  
  ：所有 Agent 无 socket 直连，通过 status_bus.json 交换状态，单个 Agent 崩溃不影响其他
• 上下文隔离
  
  ：底层计算层只传文件路径，不传文件内容，防止上下文溢出
• 人在环保留
  
  ：重大决策（力场晋级、混沌注入）必须经用户确认，AI 不自作主张

三、六个 Runtime Agent 的职责

【Make MD Easier】

Lammps 模块化教程：分子模拟模块化教程合集

Lammps in文件案例合集：1）Lammps 模拟案例合集（一）；2）Lammps 模拟案例合集（二）；3) Lammps 模拟案例合集（三）