OpenAaaS: An Open Agent-as-a-Service Framework for Distributed Materials-Informatics Research

Dieser Beitrag stellt OpenAaaS vor, ein Open-Source- und verteiltes Agent-as-a-Service-Framework, das eine sichere, Multi-Agenten-Zusammenarbeit für die Materialinformatik ermöglicht, indem es dem Prinzip „Code fließt, Daten bleiben stehen" folgt und Institutionen somit erlaubt, isolierte Daten und Rechenressourcen zu integrieren, ohne die Datensouveränität zu gefährden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, ein riesiges, komplexes Puzzle zu lösen, wie etwa die Entwicklung eines neuen, superfesten Metalls für einen Strahltriebwerk. Um dies zu tun, müssen Sie drei verschiedene Experten konsultieren, die in drei verschiedenen Ländern sitzen:

1. Die Bibliothekarin in Peking, die jedes je geschriebene Papier über Metalllegierungen gelesen hat, aber ihre Bibliothek nicht verlassen darf.
2. Der Datenbankmanager in New York, der eine 17-Terabyte-(17.000 Gigabyte)-Sammlung geheimer Metallformeln besitzt, die er gesetzlich verboten ist, über das Internet zu senden.
3. Der Supercomputer-Betreiber in Berlin, der eine riesige Maschine hat, die simulieren kann, wie sich Metalle verhalten, aber zu langsam ist, um Daten hin und her zu senden.

Auf die alte Art und Weise müssten Sie diese Experten bitten, Ihnen ihre gesamten Bibliotheken und Festplatten per Post zu schicken. Die Bibliothekarin müsste Millionen von Seiten kopieren, der Datenbankmanager müsste einen LKW voll Festplatten versenden, und der Supercomputer-Betreiber müsste wochenlang warten, bis die Daten hochgeladen sind. Es ist langsam, teuer und oft aufgrund von Sicherheitsvorschriften unmöglich.

OpenAaaS ist ein neues, quelloffenes Framework, das die Spielregeln ändert. Anstatt die Experten zu bitten, ihre Daten zu Ihnen zu senden, senden Sie Ihre Fragen zu ihnen.

So funktioniert es, unter Verwendung einfacher Analogien:

Die Kernidee: „Schicken Sie den Koch, nicht die Zutaten"

Stellen Sie sich die Daten (die Metallformeln, die Papiere, die Simulationsergebnisse) als frische Zutaten vor, die in einer Küche liegen.

• Die alte Art: Sie bitten den Koch, alle Zutaten zu packen und zu Ihrem Haus zu schicken, damit Sie kochen können. Dies ist langsam, und die Zutaten könnten verderben oder im Zoll (Sicherheits-Firewalls) verloren gehen.
• Die OpenAaaS-Art: Sie senden einen digitalen Koch (einen KI-Agenten) in die Küche. Der Koch geht hinein, kocht das Essen mit den Zutaten direkt vor Ort und sendet Ihnen dann nur das fertige Gericht (die Antwort) zurück. Die Zutaten verlassen die Küche nie.

Die drei Teile des Systems

1. Der Master-Agent (Der Projektmanager)
Dies ist die KI, mit der Sie sprechen. Sie sagen ihr: „Ich brauche ein Metall, das bei 2.000 Grad nicht schmilzt." Der Master-Agent kennt die Antworten selbst nicht. Stattdessen agiert er wie ein intelligenter Projektmanager. Er zerlegt Ihre große Frage in kleinere Aufgaben und sendet sie an das Netzwerk. Er sieht niemals die Rohdaten; er sieht nur die endgültigen Antworten.

2. Der Netzwerk-Hub (Die Zentrale)
Dies ist ein leichter Server, der wie eine Telefonvermittlung funktioniert. Er führt eine Liste aller verfügbaren „Küchen" (Knoten) und dessen, wofür sie gut sind. Wenn der Projektmanager Hilfe benötigt, leitet der Hub die Anfrage an die richtige Küche weiter. Entscheidend ist, dass der Hub niemals die Zutaten berührt. Er leitet nur die Anweisungen weiter.

3. Die Agenten-Kerne (Die lokalen Köche)
Dies sind die Computer, die direkt neben den Daten sitzen.

• Der Knoten der Bibliothekarin: Führt die KI aus, die die Papiere liest. Sie findet die Antwort in der Bibliothek und sendet eine Zusammenfassung zurück.
• Der Datenbankknoten: Führt die KI aus, die die 17-TB-geheime Datenbank abfragt. Sie führt die Berechnungen direkt auf dem Server durch und sendet einen winzigen Bericht zurück (vielleicht nur 2 Megabyte) anstelle der gesamten 17-TB-Datenbank.
• Der Supercomputer-Knoten: Führt die Simulation durch und sendet das Ergebnis zurück.

Warum dies eine große Sache ist (Das „Letzte-Meile"-Problem)

Der Artikel argumentiert, dass wir bereits erstaunliche KI-Modelle und enorme Datenmengen haben. Das Problem besteht darin, dass wir sie aufgrund der Datensouveränität (der Regel, dass Daten dort bleiben müssen, wo sie hingehören) nicht sicher über verschiedene Organisationen hinweg (wie Universitäten, Unternehmen und Regierungen) verbinden können.

OpenAaaS löst dies, indem es einen „Sicheren Lieferdienst" für KI schafft.

• Keine Datenmigration: Die Rohdaten verlassen ihr Zuhause nie.
• Kein Format-Ärger: Die lokalen „Köche" können jedes Dateiformat verarbeiten (Excel, PDF, seltsame Binärdateien), weil sie bereits vor Ort sind. Sie benötigen keine Bereinigung der Daten, bevor sie mit der Arbeit beginnen.
• Sicherheit: Da die Daten sich nie bewegen, müssen sie keine Firewalls passieren oder sich Sorgen machen, während des Transports gehackt zu werden.

Zwei reale Beispiele aus dem Artikel

1. Die „Tieflesende" Bibliothekarin (AlphaAgent)
Die Forscher bauten einen speziellen „Koch", um materialwissenschaftliche Papiere zu lesen. Wenn eine komplexe Frage gestellt wird wie: „Wie wirkt sich Wärmebehandlung auf diese spezifische Legierung aus?", könnte eine normale KI einfach raten oder ein Papier finden, das ähnlich aussieht, aber nicht ganz richtig ist.
Dieser AlphaAgent-Koch:

• Liest die Papiere sorgfältig.
• Prüft, ob die Beweise tatsächlich zu dem spezifischen Metall und den Bedingungen passen.
• Schreibt einen Bericht, der genau angibt, welche Seiten die Antwort stützen.
• Ergebnis: Er erreichte bei tiefgehenden analytischen Fragen 4,66 von 5 Punkten und schlug damit Standard-KI-Modelle, die nur oberflächlich abschreiben.

2. Die „Geheimschatz"-Datenbank (HEA-Executor)
Sie verbanden sich mit einer riesigen Datenbank für Hochentropie-Legierungen (komplexe Metalle mit 6+ Elementen). Die Datenbank ist 17,4 Terabyte groß.

• Das Problem: Wenn Sie versuchen würden, dies auf Ihren Laptop herunterzuladen, um es zu durchsuchen, würde allein der Datentransfer 17 Tage dauern.
• Die OpenAaaS-Lösung: Der KI-Koch ging zum Datenbankserver. Er fragte: „Welche Kombinationen aus Molybdän, Niob, Tantal und Wolfram sind am duktilsten?" Der Server führte die Berechnungen sofort durch und sendete eine winzige Antwort zurück (2,3 MB).
• Ergebnis: Der Benutzer erhielt in Sekunden eine spezifische Antwort zur Optimierung der Metallplastizität, ohne jemals die massive geheime Datenbank gesehen oder heruntergeladen zu haben.

Zusammenfassung

OpenAaaS ist wie der Aufbau eines globalen Netzwerks spezialisierter Küchen, in dem Sie ein maßgeschneidertes Gericht bestellen können, ohne jemals die Zutaten besitzen zu müssen. Es ermöglicht Wissenschaftlern, an komplexen Problemen zusammenzuarbeiten (wie der Entwicklung neuer Materialien für raue Umgebungen), indem sie KI-Agenten zu den Daten senden, anstatt die Daten zur KI zu bewegen. Dies hält Geheimnisse sicher, spart Zeit und ermöglicht es verschiedenen Organisationen, zusammenzuarbeiten, ohne ihre Sicherheitsvorschriften zu verletzen.

Technische Zusammenfassung

Technische Zusammenfassung: OpenAaaS

1. Problemstellung

Die Entwicklung struktureller und funktioneller Materialien für extreme Umgebungen (z. B. Hochtemperaturlegierungen, strahlungsbeständige Stähle) stößt auf eine kritische Engpassstelle der „letzten Meile". Während die Materials Genome Initiative (MGI) erfolgreich zentralisierte Plattformen (SaaS, PaaS, IaaS) etabliert hat und Large Language Models (LLMs) autonome Schlussfolgerungsfähigkeiten eingeführt haben, versagen bestehende Architekturen darin, übergreifende Zusammenarbeit unter strengen Datenhoheits-Bedingungen zu unterstützen.

Aktuelle Systeme sehen sich vier spezifischen Einschränkungen gegenüber:

1. Langfristiger Horizont: F&E-Zyklen erstrecken sich über Jahre und übersteigen die Kontextfenster und die Persistenz von Agenten einzelner Sitzungen.
2. Mechanistische Komplexität: Probleme erfordern eine domänenübergreifende Synthese (elektronische Struktur, Defektchemie usw.), die isolierte Werkzeuge nicht bewältigen können.
3. Hohe Fachkenntnis: Allgemein verfügbare Agenten verfügen nicht über die Tiefe, um über spezialisierte Disziplinen hinweg zuverlässig Schlussfolgerungen zu ziehen.
4. Einschränkungen sensibler Daten: Proprietäre Zusammensetzungen, unveröffentlichte Ergebnisse und eingeschränkte Modelle können aufgrund von Vertraulichkeit, Exportkontrollen oder institutionellen Firewalls nicht auf zentrale Plattformen migriert werden.

Die Kernherausforderung besteht im Fehlen einer organisatorischen Infrastruktur, um Weltklasse-Modelle und riesige Datenrepositorien sicher über institutionelle Grenzen hinweg zusammenzuführen, ohne die Datenhoheit zu verletzen.

2. Methodik: Das OpenAaaS-Framework

Um dies zu adressieren, schlagen die Autoren OpenAaaS (Open Agent-as-a-Service) vor, ein hierarchisches, verteiltes Framework, das auf dem grundlegenden Prinzip basiert: „Code fließt, Daten bleiben stehen." Anstatt Rohdaten an einen zentralen Ort zu migrieren, verteilt OpenAaaS Ausführungsknoten von Agenten dorthin, wo die Daten liegen, und übermittelt nur Aufgabenbeschreibungen, Zwischenergebnisse der Schlussfolgerung und Endergebnisse.

2.1 Drei-Ebenen-Architektur

Das System besteht aus drei distincten Schichten:

• Master-Agent-Ebene (Ebene 1): Allgemein verfügbare LLM-Agenten (z. B. Kimi CLI, Claude Code, Codex), die Benutzerabsichten verstehen, komplexe Forschungsprobleme zerlegen und entfernte Fähigkeiten orchestrieren. Entscheidend ist, dass der Master-Agent niemals auf Rohdaten zugreift; er leitet Schlussfolgerungen ausschließlich über Aufgabenbeschreibungen und Dienstmetadaten ab.
• Netzwerk-Hub / OpenAaaS-Server (Ebene 2): Ein leichter, binärer HTTP-Server (in Rust implementiert mit eingebettetem SQLite), der als Register und Router fungiert. Er verwaltet eine Liste verfügbarer Dienste, leitet Aufgaben an qualifizierte Knoten weiter, verwaltet die Authentifizierung und leitet kleine Dateiartefakte weiter. Er greift niemals auf wissenschaftliche Rohdaten zu oder speichert diese.
• Netzwerkknoten / Agent-Core (Ebene 3): Domänenspezifische Ausführungsknoten, die lokal an Datenstandorten (Labore, Cluster) bereitgestellt werden. Jeder Knoten läuft in einer isolierten Docker-Sandbox und behält die volle Hoheit über lokale Datensätze, proprietäre Algorithmen und Hardware. Knoten stellen lokale Ressourcen über eine selbstbeschreibende API als zusammensetzbare Dienste bereit.

2.2 Schlüssel-Designmechanismen

• Ausführung in Datennähe: Die Berechnung erfolgt am Datenursprung. Für eine 10-TB-Datenbank durchqueren nur Abfrageergebnisse (Skala von KB bis MB) das Netzwerk, wodurch Bandbreitenengpässe und Compliance-Prüfungen für den Datenausgang eliminiert werden.
• Progressive Fähigkeitsentdeckung: Um ein Überlaufen der Kontextfenster bei Master-Agenten zu verhindern, erfolgt die Dienstentdeckung in drei Stufen:
  1. Leichte Zusammenfassung: Name, Domänen-Tag und Kapazität.
  2. Bedarfsgesteuerte Nutzung: Vollständige Dokumentation (Schemata, Beispiele) wird nur für aktive Kandidaten geladen.
  3. Interaktive Verfeinerung: Vorläufige Prompts zur Klärung von Parametern.
• Sicherheitsmodell: Setzt auf Defense-in-Depth, einschließlich HTTPS-Kommunikation, ausschließlich ausgehenden Verbindungen (Reverse-Polling) zum Umgehen von Firewalls, HMAC-SHA256-Authentifizierung und Container-Sandboxing.
• Protokollkompatibilität: Das Framework integriert sich mit dem Model Context Protocol (MCP), sodass Standard-MCP-Clients (z. B. Cursor, Cline) über einen dedizierten Adapter verbunden werden können, während auch benutzerdefinierte Plugins für spezifische Agenten bereitgestellt werden.

3. Hauptbeiträge

Die Arbeit formalisiert und implementiert vier primäre Beiträge:

1. Architektonische Formalisierung: Identifiziert die Spannung zwischen domänenübergreifender Integration und Datenhoheit als zentrale Designbeschränkung und schlägt eine hierarchische Multi-Agent-Architektur vor, die diese Lücke schließt.
2. OpenAaaS-Implementierung: Ein dreistufiges, quelloffenes Framework (MIT-Lizenz), das die Ausführung in Datennähe, die progressive Entdeckung und standardisierte Protokolle realisiert.
3. AlphaAgent-Fallstudie: Ein Ausführungsprogramm für Materialliteratur-Analysen, das Antworten auf validierte Abrufnachweise stützt und Single-Pass-RAG-Baselines übertrifft.
4. HEA-Datenbank-Fallstudie: Ein sicherer, ultraskalierbarer (17,4 TB) Dienst für Deskriptoren von hexa-Hoch-Entropie-Legierungen, der die sichere Ausführung in Datennähe und domänenspezifische Workflows ohne Migration von Rohdaten demonstriert.

4. Ergebnisse und Bewertung

4.1 Fallstudie I: AlphaAgent (Literaturanalyse)

AlphaAgent wurde gegen eine Single-Pass-RAG-Baseline und allgemein verfügbare Modelle (GPT-5.5, Kimi-K2.6) an 40 metallurgischen Fragen bewertet (20 tiefgehende analytische, 20 allgemeine).

• Leistung: AlphaAgent erzielte bei tiefgehenden analytischen Fragen einen Durchschnittswert von 4,66/5,0 und übertraf damit signifikant die Single-Pass-RAG-Baseline (2,67) sowie allgemeine Modelle (4,05 und 3,96).
• Mechanismus: Das System verwendet einen „Wissenschaftlichen Ausführungsvertrag", um die Validierung von Nachweisen durchzusetzen. Es schreibt Absichten um, um materialspezifische Entitäten zu erhalten, führt bei unzureichenden Nachweisen eine begrenzte Umformulierung von Abfragen durch und validiert, dass abgerufene Textausschnitte mit dem Materialsystem und dem mechanistischen Fokus übereinstimmen, bevor Berichte generiert werden.

4.2 Fallstudie II: HEA-Deskriptor-Datenbank

Das Framework wurde an einer 17,4 TB großen Datenbank getestet, die ca. 5,4 × 10¹⁰ Kandidaten für Zusammensetzungen von hexa-Hoch-Entropie-Legierungen enthält.

• Effizienz: Die Aufgabe umfasste die Optimierung der Raumtemperatur-Plastizität für MoNbTaW-refraktäre HEAs. Der HEA-Executor filterte die Daten, trainierte ML-Modelle und generierte Berichte vollständig am entfernten Knoten.
• Datentransfer: Das insgesamt zurückgegebene Datenvolumen betrug ca. 2,3 MB (Kandidatenzusammensetzungen, Vorhersagen und Berichte) im Vergleich zum 17,4 TB großen Rohdatensatz. Dies entspricht einer Reduktion des Datentransfers um fast sieben Größenordnungen.
• Latenz: Der Overhead für das OpenAaaS-Aufgaben-Routing betrug ungefähr 550 ms, was im Vergleich zu den ca. 17,7 Tagen, die für den Transfer des gesamten Datensatzes über eine Standard-100-Mbps-Verbindung erforderlich wären, vernachlässigbar ist.
• Ergebnis: Das System identifizierte ein Al–Mo–Nb–Ta–W–Hf-System mit 9,80 % hochduktilen Konfigurationen, was eine 10,7-fache Verbesserung gegenüber einer Ti-haltigen Baseline darstellt.

5. Bedeutung und Behauptungen

Die Arbeit behauptet, dass OpenAaaS einen prinzipiellen Weg hin zu „organisierter Forschung" durch Agentenkollektive etabliert. Ihre Bedeutung liegt in:

• Lösung des Datenhoheits-Engpasses: Sie ermöglicht die sichere Integration isolierter Intelligenz-Silos für Materialien (akademisch, industriell, nationale Labore) ohne Datenmigration, wodurch Vertraulichkeit und regulatorische Beschränkungen gewahrt werden.
• Paradigmenwechsel: Sie verschiebt das Paradigma von „Daten bewegen sich zur Rechenleistung" zu „Rechenleistung bewegt sich zu den Daten", wodurch die Grenzkosten der Datenbewegung für Datensätze im TB-Bereich vernachlässigbar werden.
• Skalierbare Grundlage: Sie bietet ein wiederverwendbares Substrat für intelligente Designplattformen für Materialien der nächsten Generation, auf denen spezialisierte, persistente und selbstverbessernde Agenten über institutionelle Grenzen hinweg zusammenarbeiten können.
• Progressives Vertrauen: Die Architektur unterstützt ein Föderationsmodell, bei dem Vertrauen schrittweise (dienstweise) aufgebaut wird, anstatt eine All-oder-Nichts-Mitgliedschaft im Netzwerk zu erfordern.

Die Autoren schließen, dass zwar Herausforderungen bezüglich des Netzwerkskalen, der semantischen Entdeckung und der Dienstgüte-Garantien bestehen bleiben, OpenAaaS jedoch eine skalierbare Grundlage für den Übergang von isolierten digitalen Infrastrukturen zu einem vernetzten „Agentic Science"-Netzwerk bietet.