核心用法
AutoMD-GROMACS 是一个面向 AI 的 GROMACS 自动化工具包，将分子动力学（MD）的完整工作流封装为可执行 Skill。用户通过读取 references/SKILLS_INDEX.yaml 定位所需脚本，直接运行 bash scripts/<group>/<skill>.sh 即可启动模拟。工具采用分层披露设计，降低 token 消耗，同时内嵌领域知识和自动故障排查指南。
功能模块
- 核心工作流：体系构建、平衡、生产运行、预处理及工具函数
- 增强采样：伞形采样、自由能计算、副本交换、元动力学、牵引 MD、加速 MD 等
- 特殊体系：膜系统、配体模拟、粗粒化、电场、非平衡、QM/MM 混合
- 高级分析：轨迹分析、结合自由能、膜性质、散射、蛋白质专项分析
- 可视化：出版级图表与结构/轨迹渲染
显著优点
1. AI 原生设计：针对大模型交互优化，结构化输出便于自动化解析
2. 端到端封装：从输入准备到结果可视化的一站式解决方案
3. 故障自愈：每个 Skill 配套专属 troubleshoot 文档，降低调试门槛
4. 学术背书：香港科技大学（广州）开发，紧跟 GROMACS 2026.1 最新版本
5. 开源生态：MIT 许可，Conda 一键安装降低部署成本
潜在局限
- 环境依赖：必须预装 GROMACS（conda-forge 或源码编译），对非计算化学背景用户有门槛
- 黑箱风险：高度封装可能掩盖底层参数细节，需用户具备基础 MD 理论
- 硬件敏感：高性能计算需 GPU/集群支持，本地运行受限
- 版本锁定：基于 GROMACS 2026.1，版本更新可能引入兼容性问题
适合人群
- 计算化学/生物物理研究人员：快速搭建标准模拟流程
- AI 辅助科研用户：需要结构化、可复现的分子动力学接口
- 教学场景：降低 GROMACS 学习曲线，专注科学问题而非软件操作
常规风险
- 科学有效性：自动化不保证物理模型选择正确，需人工验证力场、采样充分性
- 数据安全：轨迹文件可能包含敏感生物分子结构，注意本地存储合规
- 计算成本：增强采样方法（如元动力学）计算量巨大，需合理规划资源
- 许可合规：部分力场/工具（如 Plumed）需单独确认学术/商业许可