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

DynaMate2 is een open-source, hiërarchisch agentisch raamwerk dat AI-gedreven wetenschappelijke workflows democratiseert door onderzoekers in staat te stellen hun bestaande, door experts gedefinieerde Python-tools eenvoudig om te zetten in AI-roepe componenten zonder dat de LLM wetenschappelijke code moet genereren, waardoor de drempel voor automatisering in domeinen zoals computationele chemie wordt verlaagd.

De kern

Stel je voor dat je een enorme, hooggespecialiseerde bibliotheek met gereedschappen hebt die wetenschappers decennia lang hebben gebouwd. Dit zijn niet zomaar hamers en schroevendraaiers; het zijn complexe, op maat gebouwde machines die kunnen simuleren hoe atomen bewegen, chemische reacties voorspellen of enorme hoeveelheden data analyseren. Het probleem is dat deze machines alleen werken als je precies weet hoe je de hendels in de juiste volgorde moet trekken en de knoppen moet indrukken. Als je ze wilt gebruiken, moet je meestal zelf een meester-ingenieur zijn.

DynaMate2 is een nieuw systeem dat is ontworpen om iedereen in staat te stellen met deze complexe machines te communiceren in gewone taal, zonder dat je hoeft te weten hoe ze te bouwen of te programmeren.

Zo werkt het, met een eenvoudige analogie:

De "Slimme Projectmanager" en de "Gespecialiseerde Werknemers"

Beschouw de wetenschappelijke workflow als een bouwproject.

• De oude manier (DynaMate1): Je had één enkele voorman die maar één ding tegelijk kon doen. Als je een huis wilde bouwen, moest je de voorman vertellen om "de bakstenen te leggen", wachten tot hij klaar was, hem dan vertellen om "de muren te verven", wachten, en vervolgens om "het dak te plaatsen". Je moest elke stap tot in detail micromanagen.
• De nieuwe manier (DynaMate2): Je hebt nu een Slimme Projectmanager (de Supervisor AI) en een team van Gespecialiseerde Werknemers (de Agents).

Wanneer je naar de Slimme Projectmanager toe loopt en zegt: "Maak een simulatie van zout water voor me," probeert de Manager het werk niet zelf te doen. In plaats daarvan breekt hij je grote verzoek op in kleine taken:

1. "Haal de blauwdruk voor het zoutwatermodel."
2. "Bouw de container."
3. "Voer de simulatie uit."
4. "Teken de resultaten."

De Manager geeft elke taak vervolgens door aan de specifieke Gespecialiseerde Werknemer die het beste in dat vak is. De ene werknemer weet misschien alleen hoe je modellen downloadt, een andere weet alleen hoe je moleculen in een doos pakt, en een derde weet alleen hoe je grafieken tekent.

De Gouden Regel: De AI bouwt de machine nooit

Dit is het belangrijkste deel van het artikel. In veel nieuwe AI-systemen probeert de AI zelf de code voor de gereedschappen te schrijven. De auteurs van dit artikel zeggen: "Nee."

Ze geloven dat als een AI probeert complexe wetenschappelijke code te schrijven, het een fout kan maken die het experiment verpest. Dus in DynaMate2:

• De Wetenschappers (de experts) schrijven de code voor de gereedschappen. Deze gereedschappen zijn al getest, bewezen en veilig.
• De AI (de Manager) schrijft nooit de code. Hij beslist alleen welk gereedschap te gebruiken en geeft de instructies door aan dat gereedschap.

Het is als een restaurant. De AI is de ober die je bestelling neemt en de chef vertelt wat er moet worden gekookt. De ober probeert niet zelf het eten te bereiden; hij zorgt er alleen voor dat de juiste chef (het deskundige gereedschap) de juiste bestelling krijgt.

Hoe je je eigen gereedschappen toevoegt (de "Plug-and-Play"-functie)

Een van de grootste hindernissen in het verleden was dat als een wetenschapper zijn eigen aangepaste gereedschap aan het systeem wilde toevoegen, hij een computerprogrammeur moest zijn om de code van het systeem te bewerken.

DynaMate2 verandert dit met een Tool Registration Protocol. Stel je voor dat het systeem een "Plug-and-Play"-poort heeft.

• Je hebt een script: Je kunt je bestaande Python-code direct in een chatvenster plakken.
• Je hebt een bestand: Je kunt het systeem vertellen: "Hier is mijn bestand, voeg het toe."
• Je hebt een idee: Je kunt zeggen: "Ik heb een gereedschap nodig dat X, Y en Z doet," en het systeem zal daadwerkelijk de code voor je schrijven op basis van je beschrijving.

Zodra je het "aansluit", onthoudt het systeem het voor altijd. De volgende keer dat je de computer opstart, is je aangepaste gereedschap er nog steeds, klaar om gebruikt te worden door de Slimme Projectmanager.

Een voorbeeld uit de echte wereld uit het artikel

De auteurs hebben dit getest met een complexe taak genaamd Moleculaire Dynamica (het simuleren van hoe atomen bewegen).

1. Ze registreerden vier verschillende gereedschappen: één om een model te downloaden, één om een doos met moleculen te bouwen, één om de simulatie uit te voeren, en één om de resultaten te analyseren.
2. Ze gaven het systeem één enkele zin: "Download het MACE-model, bouw een doos met 262 watermoleculen en een zoution, voer een simulatie uit bij 300 Kelvin, en plot de energie."
3. De Slimme Projectmanager bedacht de volgorde, riep de Gespecialiseerde Werknemers één voor één op, gaf de data van de ene stap naar de volgende door, en produceerde de uiteindelijke grafiek.

De gebruiker hoefde tijdens het proces geen enkele regel code te schrijven of op een knop te drukken. Ze gaven alleen de opdracht, en het systeem voerde de volledige workflow uit.

Waarom dit belangrijk is

Het artikel betoogt dat wetenschappers jarenlang hebben doorgebracht met het bouwen van verbazingwekkende, gevalideerde gereedschappen, maar dat deze geïsoleerd blijven. DynaMate2 fungeert als een brug. Het stelt deze bestaande gereedschappen in staat met elkaar te communiceren en bestuurd te worden door een eenvoudig gesprek, waardoor geavanceerde wetenschappelijke automatisering toegankelijk wordt voor onderzoekers die geen AI-experts zijn.

Kortom: DynaMate2 is een systeem dat je in staat stelt een team van gespecialiseerde robotwerknemers in te huren, beheerd door een slimme AI-baas, om je complexe wetenschappelijke experimenten uit te voeren door gewoon met hen te praten—met behulp van gereedschappen die je al vertrouwt en zelf hebt gebouwd.

Technische samenvatting

Technische Samenvatting: DynaMate2

Probleemstelling
Hoewel agentic frameworks voor Large Language Models (LLM) potentie hebben aangetoond in het automatiseren van wetenschappelijke workflows, staan bestaande systemen voor een kritieke adoptiebarrière: ze zijn doorgaans gebouwd voor specifieke, vooraf gedefinieerde taaksequenties. Het aanpassen van deze frameworks aan nieuwe domeinen of het integreren van aangepaste, door experts ontwikkelde tools vereist aanzienlijke programmeerkennis. Deze beperking is vooral acuut in gebieden zoals computationele chemie en materiaalkunde, waar onderzoeksgroepen jaren hebben geïnvesteerd in het bouwen van gespecialiseerde, gevalideerde Python-codebases. Huidige frameworks dwingen gebruikers vaak workflows handmatig te ontleden in meerdere prompts of vereisen diepe kennis van machine learning om de broncode van het systeem te wijzigen. Bovendien vertrouwen veel bestaande benaderingen op LLM's om wetenschappelijke code te genereren, wat risico's introduceert van fouten in kritieke berekeningen en de integriteit van domeinspecifieke kennis in gevaar brengt.

Methodologie
De auteurs presenteren DynaMate2, een hiërarchisch agentisch framework en open-source sjabloon dat is ontworpen om de drempel te verlagen voor het integreren van door experts gedefinieerde Python-functies in AI-toezichthoudende multi-agent pipelines. Het systeem is gebouwd op LangGraph en maakt gebruik van een dynamische state-machine-architectuur in plaats van lineaire ketens.

• Hiërarchische Architectuur: Het framework hanteert een drie-laags hiërarchie:
  1. Supervisor Agent: Een routerende LLM die hoge-level gebruikersdoelen ontbindt in gestructureerde sub-taken en deze doorstuurt naar specialist-agenten.
  2. Specialist Agents: Een pool van agenten, elk uitgerust met specifieke, door de gebruiker geregistreerde tools. Deze agenten opereren in onafhankelijke ReAct-lussen, voeren tools uit en rapporteren resultaten.
  3. Tool-laag: Domeinlogica resideert volledig in door experts gedefinieerde, gevalideerde Python-functies. De LLM is expliciet beperkt tot het genereren van wetenschappelijke code; zijn enige verantwoordelijkheid is routering, tool-selectie en planning.
• Runtime-uitbreidbaarheid: Een kerninnovatie is het vermogen om tools en agenten tijdens runtime te registreren zonder de broncode van het framework te wijzigen. Tools kunnen worden toegevoegd via inline code, bestaande bronbestanden of beschrijvingen in gewone taal.
• Persistentie: Het systeem gebruikt een PoolStore-component om tool-broncode te serialiseren naar .py-bestanden en agent-metadata naar JSON. Een SQLite-ondersteunde checkpoint bewaart conversatiestatussen en tool-registers over sessies heen, waardoor onderzoekers iteratief aangepaste workflows kunnen bouwen.
• PromptEnhancer: Een voorverwerkingsmodule die inkomende gebruikersberichten inspecteert, de huidige tool/agent-register raadpleegt en prompts herschrijft om routeringshints (doel-agent en specifieke tool) op te nemen, waardoor de zoekruimte van de supervisor wordt verkleind en de routeringsbetrouwbaarheid wordt verbeterd.

Belangrijkste Bijdragen

1. Tool Registratieprotocol: Het paper introduceert een stap-voor-stap protocol voor het converteren van gevalideerde Python-functies naar door LLM aanroepbare tools. Dit omvat structurele vereisten (bijvoorbeeld het verplaatsen van imports naar binnen de functielichamen om registratiefouten te voorkomen) en drie registratiepaden: vanuit inline code, vanuit bronbestanden en via beschrijvingen in natuurlijke taal (waarbij de LLM de code genereert).
2. Dynamische Agent Pool: In tegenstelling tot eerdere iteraties (bijvoorbeeld DynaMate1), die fungeerden als single-agent systemen, ondersteunt DynaMate2 een persistente pool van specialist-agenten die tijdens een sessie via instructies in natuurlijke taal kunnen worden toegevoegd, gewijzigd of verwijderd.
3. Veiligheidsgerichte Ontwerp: Door domeinlogica (expert-code) strikt te scheiden van orchestratielogica (LLM-routering), elimineert het framework het risico op fouten in wetenschappelijke berekeningen veroorzaakt door door LLM gegenereerde code.
4. Open-source Implementatie: De auteurs publiceren een referentie-implementatie met een webgebaseerde Gradio-interface, die dient als een herbruikbaar sjabloon voor de gemeenschap.

Resultaten
Het framework werd gevalideerd via een end-to-end moleculaire dynamica (MD) workflow die werd uitgevoerd vanuit één instructie in natuurlijke taal. De workflow omvatte:

1. Model Retrieval: Downloaden van een MACE-MP-08 machine-learning interatomair potentieel (MLIP) fundamenteel model.
2. Systeemconstructie: Omzetten van SMILES-strings naar XYZ-coördinaten en het gebruik van Packmol om een periodieke simulatiebox te bouwen voor een NaCl-water systeem.
3. Simulatie Uitvoering: Uitvoeren van een 100-staps NVT moleculaire dynamica simulatie bij 300 K met behulp van het MLIP.
4. Traject Analyse: Automatisch extraheren van energie- en temperatuurgegevens en genereren van een tweepaneels visualisatie.

Deze workflow werd geconstrueerd door vier verschillende tools te registreren (download, systeem bouwen, simulatie, analyse) en deze toe te wijzen aan een specialist-agent (mace_md_specialist). De supervisor ontbond succesvol de hoge-level prompt, routerde taken naar de specialist en beheerde context (bestandenpaden, model-ID's) over alle sub-stappen heen zonder gebruikersinterventie. In vergelijking met het vorige DynaMate1-systeem, dat meerdere handmatige prompts en interacties vereiste voor dezelfde complexiteit, voltooide DynaMate2 de volledige pipeline in één sessiedraad.

Betekenis en Claims
De auteurs beweren dat DynaMate2 een primaire factor aanpakt die de adoptie van agentische AI in wetenschappelijk onderzoek beperkt: de moeilijkheid om bestaande, gevalideerde code te integreren in geautomatiseerde pipelines. Door de agentpool te behandelen als een dynamische, door de gebruiker beheerde resource, stelt het framework onderzoekers in staat om hun jarenlange domeinexpertise te benutten zonder dat ze AI-ingenieurs hoeven te worden.

Het paper benadrukt dat het framework dient als een sjabloon in plaats van een voltooid product. De waarde is ontworpen om te groeien met de gemeenschap; naarmate meer groepen hun gevalideerde tools registreren, neemt het vermogen van de supervisor toe om complexe, nieuwe workflows samen te stellen. De auteurs positioneren DynaMate2 als een brug tussen de "door experts ontwikkelde tools" die al bestaan in wetenschappelijke gemeenschappen en de "door AI aangedreven automatisering" die nodig is voor onderzoek van de volgende generatie, met als doel het tempo te versnellen waarmee wetenschappelijke kennis kan worden verkregen.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen huidige beperkingen, waaronder:

• Agent Betrouwbaarheid: Specialist-agenten kunnen af en toe falen in het uitvoeren van tools voordat ze de controle teruggeven aan de supervisor, een kwetsbaarheid die wordt aangepakt door ingevoegde uitvoeringsregels maar verdere principiële oplossingen vereist (bijvoorbeeld beperkte decoding).
• Kwaliteit Tool Generatie: Code gegenereerd vanuit beschrijvingen in natuurlijke taal kan subtiele fouten bevatten die pas tijdens runtime worden ontdekt.
• Sequentiële Uitvoering: De huidige implementatie voert agenten sequentieel uit binnen één proces, wat de doorvoer beperkt voor paralleliseerbare taken.

Toekomstig werk heeft als doel parallelle agentuitvoering te introduceren, robotlaboratoriumplatforms te integreren voor gesloten-lus experimentele workflows, en een gemeenschaps-toolregister te ontwikkelen om het delen van gevalideerde tools over domeinen heen te faciliteren.