核心用法
AutoMD-GROMACS 采用 决策层-执行层-验证层 的三层架构，通过 method-selector 智能路由选择最优模拟策略。用户只需提供研究目标、体系类型和观测指标，系统即可自动推荐匹配的脚本工作流（如自由能计算、伞形采样、副本交换等）。核心执行层覆盖从体系准备（拓扑生成、溶剂化、离子化）到平衡（能量最小化、NVT/NVT 控温控压）再到生产模拟的完整流水线，并针对 GPU 加速提供源码编译指南与性能调优方案。
显著优点
1. AI 原生设计：以 YAML 结构化索引和可执行脚本替代传统教程文本，降低 LLM 调用 token 消耗；决策层封装领域知识，减少方法选择试错成本。
2. 生产级完备性：内置 20+ 种高级采样方法（元动力学、加速 MD、QM/MM 等）、跨力场体系构建（AMBER/GAFF2 混合）、膜体系与粗粒化模拟支持。
3. 故障自愈能力：每个模块配套独立错误码文档（如 freeenergy-errors.md），支持按错误 ID 快速定位根因与修复方案。
4. 学术溯源规范：强制实验日志机制（EXPT_LOG.md + PLAN.md），解决长时程 MD（数小时至数天）与 AI 会话中断之间的进度丢失风险。
潜在局限
- 硬件门槛高：GROMACS GPU 版本需 CUDA 环境，源码编译对非 Linux 用户存在学习曲线；大型体系（>100k 原子）需专业 HPC 资源。
- 力场边界：跨力场混合（如 AMBER 蛋白 + GAFF 配体）需手动检查原子类型映射，自动化程度受限于 acpype 工具链的成熟度。
- 黑箱风险：决策层推荐依赖预定义规则，极端新颖体系可能需人工覆盖路由逻辑。
适合人群
- 计算化学/生物物理研究生及科研人员，需批量运行标准化 MD 协议
- 药物设计团队，需快速搭建配体结合自由能计算（FEP/TI）流程
- AI 科学计算开发者，需通过结构化接口集成分子动力学模块
常规风险
- 数据安全：模拟轨迹文件可能含敏感分子结构，建议在本地或加密 HPC 环境执行，避免上传至公有云推理节点。
- 计算资源滥用：生产级模拟默认调用全 GPU，多任务并行前需确认
PLAN.md资源预估，防止集群配额超限。 - 结果可复现性：随机种子与热浴耦合参数需显式记录于日志，GROMACS 版本差异（2025.4 vs 2026.1）可能引入数值偏差。