DynaMate2: Democratization of Agentic AI for Expert-Designed Custom Workflows

DynaMate2 ist ein Open-Source-Framework für hierarchische Agenten, das KI-gestützte wissenschaftliche Arbeitsabläufe demokratisiert, indem es Forschenden ermöglicht, ihre bestehenden von Experten definierten Python-Tools mühelos in KI-aufrufbare Komponenten umzuwandeln, ohne dass das LLM wissenschaftlichen Code generieren muss, wodurch die Hürde zur Automatisierung in Bereichen wie der computergestützten Chemie gesenkt wird.

Das Wesentliche

Stellen Sie sich eine riesige, hochspezialisierte Bibliothek von Werkzeugen vor, die Wissenschaftler über Jahrzehnte hinweg aufgebaut haben. Dabei handelt es sich nicht nur um Hämmer und Schraubendreher, sondern um komplexe, maßgeschneiderte Maschinen, die simulieren können, wie sich Atome bewegen, chemische Reaktionen vorhersagen oder enorme Datenmengen analysieren. Das Problem ist, dass diese Maschinen nur funktionieren, wenn Sie genau wissen, in welcher Reihenfolge Sie die Hebel ziehen und die Tasten drücken müssen. Wenn Sie sie nutzen wollen, müssen Sie in der Regel selbst ein Meisteringenieur sein.

DynaMate2 ist ein neues System, das entwickelt wurde, um es jedem zu ermöglichen, mit diesen komplexen Maschinen in einfachem Englisch zu kommunizieren, ohne zu wissen, wie man sie baut oder programmiert.

So funktioniert es, anhand einer einfachen Analogie:

Der „intelligente Projektleiter" und die „spezialisierten Arbeiter"

Stellen Sie sich den wissenschaftlichen Arbeitsablauf als Bauprojekt vor.

• Der alte Weg (DynaMate1): Sie hatten einen einzigen Vorarbeiter, der nur eine Sache gleichzeitig erledigen konnte. Wenn Sie ein Haus bauen wollten, mussten Sie dem Vorarbeiter sagen: „Leg die Ziegel", warten, bis er fertig ist, dann sagen: „Male die Wände", warten, dann: „Bringe das Dach an". Sie mussten jeden einzelnen Schritt bis ins kleinste Detail überwachen.
• Der neue Weg (DynaMate2): Sie haben nun einen intelligenten Projektleiter (die Supervisor-KI) und ein Team von spezialisierten Arbeitern (die Agenten).

Wenn Sie zum intelligenten Projektleiter gehen und sagen: „Erstellen Sie mir eine Simulation von Salzwasser", versucht der Leiter nicht, die Arbeit selbst zu erledigen. Stattdessen zerlegt er Ihre große Anfrage in kleine Aufgaben:

1. „Hole die Baupläne für das Salzwasser-Modell."
2. „Baue den Behälter."
3. „Führe die Simulation durch."
4. „Zeichne die Ergebnisse."

Der Leiter gibt dann jede Aufgabe an den spezifischen spezialisierten Arbeiter weiter, der für diesen Job am besten geeignet ist. Ein Arbeiter weiß vielleicht nur, wie man Modelle herunterlädt, ein anderer weiß nur, wie man Moleküle in eine Box packt, und ein weiterer weiß nur, wie man Diagramme zeichnet.

Die goldene Regel: Die KI baut niemals die Maschine

Dies ist der wichtigste Teil des Papiers. Bei vielen neuen KI-Systemen versucht die KI, den Code für die Werkzeuge selbst zu schreiben. Die Autoren dieses Papiers sagen: „Nein."

Sie glauben, dass eine KI, die versucht, komplexen wissenschaftlichen Code zu schreiben, einen Fehler machen könnte, der das Experiment ruiniert. Daher gilt in DynaMate2:

• Die Wissenschaftler (die Experten) schreiben den Code für die Werkzeuge. Diese Werkzeuge sind bereits getestet, bewährt und sicher.
• Die KI (der Leiter) schreibt niemals den Code. Sie entscheidet nur, welches Werkzeug zu verwenden ist, und gibt die Anweisungen an dieses Werkzeug weiter.

Es ist wie in einem Restaurant. Die KI ist der Kellner, der Ihre Bestellung aufnimmt und dem Koch sagt, was zu kochen ist. Der Kellner versucht nicht, das Essen selbst zu kochen; er sorgt nur dafür, dass der richtige Koch (das Experten-Werkzeug) die richtige Bestellung erhält.

Wie Sie Ihre eigenen Werkzeuge hinzufügen (Die „Plug-and-Play"-Funktion)

Eine der größten Hürden in der Vergangenheit war, dass ein Wissenschaftler, der sein eigenes benutzerdefiniertes Werkzeug in das System integrieren wollte, ein Programmierer sein musste, um den Code des Systems zu bearbeiten.

DynaMate2 ändert dies mit einem Tool-Registrierungsprotokoll. Stellen Sie sich vor, das System verfügt über einen „Plug-and-Play"-Port.

• Sie haben ein Skript: Sie können Ihren bestehenden Python-Code direkt in ein Chat-Feld einfügen.
• Sie haben eine Datei: Sie können dem System sagen: „Hier ist meine Datei, bitte fügen Sie sie hinzu."
• Sie haben eine Idee: Sie können sagen: „Ich brauche ein Werkzeug, das X, Y und Z tut", und das System wird tatsächlich den Code basierend auf Ihrer Beschreibung für Sie schreiben.

Sobald Sie es „eingesteckt" haben, erinnert sich das System für immer daran. Beim nächsten Start des Computers ist Ihr benutzerdefiniertes Werkzeug noch da und bereit, vom intelligenten Projektleiter genutzt zu werden.

Ein reales Beispiel aus dem Papier

Die Autoren testeten dies mit einer komplexen Aufgabe namens Molekulardynamik (Simulation der Bewegung von Atomen).

1. Sie registrierten vier verschiedene Werkzeuge: eines zum Herunterladen eines Modells, eines zum Bauen einer Box mit Molekülen, eines zum Ausführen der Simulation und eines zur Analyse der Ergebnisse.
2. Sie gaben dem System einen einzigen Satz: „Laden Sie das MACE-Modell herunter, bauen Sie eine Box mit 262 Wassermolekülen und einem Salz-Ion, führen Sie eine Simulation bei 300 Kelvin durch und zeichnen Sie die Energie auf."
3. Der intelligente Projektleiter ermittelte die Reihenfolge, rief die spezialisierten Arbeiter nacheinander auf, gab die Daten von einem Schritt zum nächsten weiter und erzeugte das endgültige Diagramm.

Der Benutzer musste während des Prozesses keine einzige Zeile Code schreiben oder auf einen Knopf klicken. Er gab nur den Befehl, und das System führte den gesamten Arbeitsablauf aus.

Warum dies wichtig ist

Das Papier argumentiert, dass Wissenschaftler Jahre damit verbracht haben, erstaunliche, validierte Werkzeuge zu bauen, diese jedoch isoliert bleiben. DynaMate2 fungiert als Brücke. Es ermöglicht diesen bestehenden Werkzeugen, miteinander zu kommunizieren und durch ein einfaches Gespräch gesteuert zu werden, wodurch fortschrittliche wissenschaftliche Automatisierung für Forscher zugänglich wird, die keine KI-Experten sind.

Kurz gesagt: DynaMate2 ist ein System, mit dem Sie ein Team spezialisierter Roboterarbeiter einstellen können, die von einem intelligenten KI-Chef verwaltet werden, um Ihre komplexen wissenschaftlichen Experimente nur durch Gespräche mit ihnen durchzuführen – unter Verwendung von Werkzeugen, denen Sie bereits vertrauen und die Sie selbst gebaut haben.

Technische Zusammenfassung

Technische Zusammenfassung: DynaMate2

Problemstellung
Während agentic Frameworks für Large Language Models (LLMs) Potenzial zur Automatisierung wissenschaftlicher Workflows gezeigt haben, stellen bestehende Systeme eine kritische Hürde für die Adoption dar: Sie sind typischerweise für spezifische, vordefinierte Aufgabenfolgen konzipiert. Die Anpassung dieser Frameworks an neue Domänen oder die Integration benutzerdefinierter, von Experten entwickelter Werkzeuge erfordert erhebliche Programmierkenntnisse. Diese Einschränkung ist besonders in Bereichen wie der computergestützten Chemie und den Materialwissenschaften akut, wo Forschungsgruppen Jahre in den Aufbau spezialisierter, validierter Python-Codebasen investiert haben. Aktuelle Frameworks zwingen Nutzer oft dazu, Workflows manuell in mehrere Prompts zu zerlegen, oder erfordern tiefgehende Kenntnisse des maschinellen Lernens, um den Quellcode des Systems zu modifizieren. Darüber hinaus verlassen sich viele bestehende Ansätze darauf, dass LLMs wissenschaftlichen Code generieren, was Risiken von Fehlern in kritischen Berechnungen birgt und die Integrität domänenspezifischen Wissens gefährdet.

Methodik
Die Autoren stellen DynaMate2 vor, ein hierarchisches agentic Framework und eine Open-Source-Vorlage, die darauf ausgelegt ist, die Hürde für die Integration expertendefinierter Python-Funktionen in von KI überwachte Multi-Agenten-Pipelines zu senken. Das System basiert auf LangGraph und nutzt eine dynamische Zustandsmaschinenarchitektur anstelle linearer Ketten.

• Hierarchische Architektur: Das Framework verwendet eine dreistufige Hierarchie:
  1. Supervisor-Agent: Ein routingfähiger LLM, der hochrangige Benutzerziele in strukturierte Teilaufgaben zerlegt und diese an Spezialisten-Agenten weiterleitet.
  2. Spezialisten-Agenten: Ein Pool von Agenten, von denen jeder mit spezifischen, vom Benutzer registrierten Werkzeugen ausgestattet ist. Diese Agenten arbeiten in unabhängigen ReAct-Schleifen, führen Werkzeuge aus und melden Ergebnisse.
  3. Werkzeugschicht: Die Domänenlogik liegt vollständig in expertendefinierten, validierten Python-Funktionen. Der LLM ist explizit daran gehindert, wissenschaftlichen Code zu generieren; seine alleinige Verantwortung ist das Routing, die Werkzeugauswahl und die Planung.
• Erweiterbarkeit zur Laufzeit: Eine Kerninnovation ist die Fähigkeit, Werkzeuge und Agenten zur Laufzeit zu registrieren, ohne den Quellcode des Frameworks zu ändern. Werkzeuge können über Inline-Code, bestehende Quelldateien oder Beschreibungen in natürlicher Sprache hinzugefügt werden.
• Persistenz: Das System verwendet eine Komponente namens PoolStore, um den Quellcode von Werkzeugen in .py-Dateien und Metadaten von Agenten in JSON zu serialisieren. Ein auf SQLite basierender Checkpointer bewahrt Gesprächszustände und Werkzeugregister über Sitzungen hinweg, sodass Forscher Workflows schrittweise anpassen können.
• PromptEnhancer: Ein Vorverarbeitungsmodul, das eingehende Benutzernachrichten untersucht, das aktuelle Werkzeug-/Agentenregister abfragt und Prompts umschreibt, um Routing-Hinweise (Ziel-Agent und spezifisches Werkzeug) einzufügen, wodurch der Suchraum des Supervisors verringert und die Zuverlässigkeit des Routings verbessert wird.

Hauptbeiträge

1. Werkzeug-Registrierungsprotokoll: Die Arbeit stellt ein schrittweises Protokoll vor, um validierte Python-Funktionen in von LLMs aufrufbare Werkzeuge zu konvertieren. Dies umfasst strukturelle Anforderungen (z. B. das Verschieben von Importen in Funktionskörper, um Registrierungsfehler zu vermeiden) und drei Registrierungspfade: aus Inline-Code, aus Quelldateien und über Beschreibungen in natürlicher Sprache (wobei der LLM den Code generiert).
2. Dynamischer Agentenpool: Im Gegensatz zu früheren Iterationen (z. B. DynaMate1), die als Single-Agent-Systeme funktionierten, unterstützt DynaMate2 einen persistenten Pool von Spezialisten-Agenten, der während einer Sitzung über Anweisungen in natürlicher Sprache hinzugefügt, geändert oder entfernt werden kann.
3. Sicherheitszentriertes Design: Durch die strikte Trennung von Domänenlogik (Expertencode) und Orchestrierungslogik (LLM-Routing) eliminiert das Framework das Risiko von Fehlern durch von LLMs generierten Code in wissenschaftlichen Berechnungen.
4. Open-Source-Implementierung: Die Autoren veröffentlichen eine Referenzimplementierung mit einer webbasierten Gradio-Oberfläche, die als wiederverwendbare Vorlage für die Gemeinschaft dient.

Ergebnisse
Das Framework wurde durch einen End-to-End-Molekulardynamik-(MD)-Workflow validiert, der aus einer einzigen Anweisung in natürlicher Sprache ausgeführt wurde. Der Workflow umfasste:

1. Modellabruf: Herunterladen eines MACE-MP-08-Modells für ein maschinell lernendes interatomares Potential (MLIP) als Basis-Modell.
2. Systemkonstruktion: Umwandlung von SMILES-Strings in XYZ-Koordinaten und Verwendung von Packmol zum Aufbau einer periodischen Simulationsbox für ein NaCl-Wasser-System.
3. Simulationsausführung: Durchführung einer 100-Schritt-NVT-Molekulardynamik-Simulation bei 300 K unter Verwendung des MLIP.
4. Trajektorienanalyse: Automatisches Extrahieren von Energie- und Temperaturdaten sowie Erstellen einer Visualisierung mit zwei Panels.

Dieser Workflow wurde durch die Registrierung von vier verschiedenen Werkzeugen (Download, Systembau, Simulation, Analyse) und deren Zuweisung an einen Spezialisten-Agenten (mace_md_specialist) erstellt. Der Supervisor zerlegte den hochrangigen Prompt erfolgreich, leitete Aufgaben an den Spezialisten weiter und verwaltete den Kontext (Dateipfade, Modell-IDs) über alle Teilschritte hinweg ohne Eingreifen des Benutzers. Im Vergleich zum vorherigen DynaMate1-System, das für die gleiche Komplexität mehrere manuelle Prompts und Interaktionen erforderte, schloss DynaMate2 die gesamte Pipeline in einem einzigen Sitzungs-Thread ab.

Bedeutung und Behauptungen
Die Autoren behaupten, dass DynaMate2 einen primären Faktor adressiert, der die Adoption agentic KI in der wissenschaftlichen Forschung einschränkt: die Schwierigkeit, bestehenden, validierten Code in automatisierte Pipelines zu integrieren. Indem der Agentenpool als dynamische, vom Benutzer verwaltete Ressource behandelt wird, ermöglicht das Framework Forschern, ihre jahrelange Domänenexpertise zu nutzen, ohne zu KI-Ingenieuren werden zu müssen.

Die Arbeit betont, dass das Framework als Vorlage und nicht als fertiges Produkt dient. Sein Wert ist darauf ausgelegt, mit der Gemeinschaft zu wachsen; je mehr Gruppen ihre validierten Werkzeuge registrieren, desto größer wird die Fähigkeit des Supervisors, komplexe, neuartige Workflows zu komponieren. Die Autoren positionieren DynaMate2 als Brücke zwischen den „von Experten entwickelten Werkzeugen", die bereits in wissenschaftlichen Gemeinschaften existieren, und der für die Forschung der nächsten Generation benötigten „KI-gesteuerten Automatisierung", mit dem Ziel, die Geschwindigkeit zu beschleunigen, mit der wissenschaftliches Wissen gewonnen werden kann.

Einschränkungen und zukünftige Richtungen
Die Autoren erkennen aktuelle Einschränkungen an, darunter:

• Zuverlässigkeit der Agenten: Spezialisten-Agenten können gelegentlich versagen, Werkzeuge auszuführen, bevor sie die Kontrolle an den Supervisor zurückgeben; diese Fragilität wird durch injizierte Ausführungsregeln adressiert, erfordert jedoch weitere prinzipielle Lösungen (z. B. eingeschränkte Dekodierung).
• Qualität der Werkzeuggenerierung: Code, der aus Beschreibungen in natürlicher Sprache generiert wird, kann subtile Fehler enthalten, die erst zur Laufzeit erkannt werden.
• Sequentielle Ausführung: Die aktuelle Implementierung führt Agenten sequentiell innerhalb eines einzelnen Prozesses aus, was den Durchsatz für parallelisierbare Aufgaben begrenzt.

Zukünftige Arbeiten zielen darauf ab, eine parallele Agentenausführung einzuführen, robotische Laborplattformen für geschlossene experimentelle Workflows zu integrieren und ein Community-Werkzeugregister zu entwickeln, um den Austausch validierter Werkzeuge über Domänen hinweg zu erleichtern.