核心用法
AutoMD-GROMACS 是一个面向AI的分子动力学自动化工具，采用"决策-执行-验证"三层架构。用户通过 method-selector.py 输入目标（如自由能计算）、系统类型（膜蛋白/配体等）和目标可观测量，系统自动路由至最佳工作流；随后调用 scripts/ 下的可执行脚本（bash/Python）完成从体系构建、能量最小化、平衡到生产模拟的全流程；最后通过 analysis/ 和 visualization/ 模块生成出版级图表。
关键特性：
- 决策层：基于YAML配置的智能方法选择，避免新手试错
- 增强采样：内置伞形采样、副本交换、元动力学、加速MD等高级技术
- 特殊系统：支持膜系统、粗粒化、电场、QM/MM混合模拟
- 故障自愈：执行失败时自动匹配
references/troubleshoot/中的错误代码手册
显著优点
1. 权威性背书：由香港科技大学（广州）开发，基于GROMACS 2026.1，紧跟上游版本
2. Token优化：分层披露设计，降低LLM上下文消耗
3. 工程化封装：将分散的GROMACS教程转化为可复用脚本，显著提升研究效率
4. 开源生态：MIT协议，GitHub开源，社区可贡献工作流
局限与风险
- 依赖重量级：需预装GROMACS（conda或源码编译）及Python环境，对纯云端用户不友好
- 学习曲线：虽封装了决策层，但理解底层MDP参数仍需分子动力学基础
- 版本锁定：明确基于GROMACS 2026.1，跨版本兼容性待验证
- 黑箱风险：自动化可能掩盖采样收敛性问题，需用户具备结果验证能力
适合人群
- 计算化学/生物物理研究生，需快速开展标准MD模拟
- 实验课题组转向计算模拟，缺乏GROMACS经验积累
- 需批量处理多体系、多方法对比的高通量研究场景
常规风险
- 科学风险：自动化≠正确性，增强采样方法的参数设置（如元动力学 hill height）仍需 domain knowledge
- 运维风险：GROMACS二进制与Python脚本的版本耦合可能引发执行失败
- 数据安全：处理未发表结构数据时，需确认是否遵守机构数据管理规范