CLI Agent 调用 CADD 工具：AI Agent 如何驱动计算流程

CADD 的日常是大量零散的命令行步骤：拉数据、清洗、生成构象、准备受体、对接、分析、出图。用 LLM Agent 把这些工具编排起来，让研究者用自然语言描述目标、由 Agent 拆解并调用工具，是当前很有实践价值的一个方向。但要做得可靠，关键不在模型，而在工具封装与护栏设计。

基本架构

工具封装的规范

这是整个系统可靠性的地基。每个工具应满足：

• 单一职责：一个工具只做一件事。「准备受体」和「跑对接」要分开，便于定位失败。
• 参数显式：不要依赖隐含的当前目录或环境变量，所有输入输出路径显式传入。
• 结构化输出：返回 JSON 而非自由文本，让 Agent 能可靠解析。
• 失败要响亮：出错时返回明确的错误类型和原因，而不是静默产出空文件——静默失败是 Agent 流程最危险的情况。
• 幂等且可复现：固定随机种子，同样输入给同样输出。

#!/usr/bin/env python3
"""prepare_ligand.py —— 单一职责的工具示例"""
import json, sys, argparse
from rdkit import Chem
from rdkit.Chem import AllChem

def main():
    ap = argparse.ArgumentParser()
    ap.add_argument("--smiles", required=True)
    ap.add_argument("--out", required=True)
    ap.add_argument("--seed", type=int, default=0xf00d)
    a = ap.parse_args()

    mol = Chem.MolFromSmiles(a.smiles)
    if mol is None:
        print(json.dumps({"ok": False, "error": "invalid_smiles",
                          "detail": a.smiles})); sys.exit(1)
    mol = Chem.AddHs(mol)
    if AllChem.EmbedMolecule(mol, randomSeed=a.seed) != 0:
        print(json.dumps({"ok": False, "error": "embed_failed"})); sys.exit(1)
    AllChem.MMFFOptimizeMolecule(mol)
    Chem.MolToMolFile(mol, a.out)
    print(json.dumps({"ok": True, "out": a.out,
                      "n_atoms": mol.GetNumAtoms(),
                      "formula": Chem.rdMolDescriptors.CalcMolFormula(mol)}))

if __name__ == "__main__":
    main()

必须设置的护栏

• 资源上限：对接分子数、模拟时长、GPU 时间都要设硬上限。Agent 判断失误可能提交一个跑几天的任务。
• 写入范围限制：只允许在指定工作目录内写文件，禁止删除操作或需人工确认。
• 关键步骤人工确认：提交大规模计算、决定候选分子清单、写入共享数据库前，应有人过目。
• 每步自动校验：对接完检查姿势是否在盒子内、是否有严重冲突；模拟完检查能量是否发散。校验不通过就中断，别让错误往下游传播。
• 完整留痕：记录每一步的命令、参数、版本、输入输出哈希。没有留痕的自动化流程无法排查，也无法作为结论依据。

现实的能力边界

• Agent 擅长：流程编排、参数格式转换、批量重复操作、根据报错调整命令、生成汇总报告。这些是明确的机械劳动。
• Agent 不擅长：判断结果是否有科学意义。它不会知道对接分数 −11 的分子其实是个不可能合成的怪物，也不会质疑一个明显错误的口袋定义。
• 所以：把它用在「把研究者从重复劳动里解放出来」，而不是「替研究者做判断」。科学判断必须留在人这一侧，Agent 负责把选项和证据准备好。

延伸资源

• 工程化落地：225《AI 制药工具工程化》；工具栈：171《RDKit》、182《AutoDock Vina》、200《OpenMM》；
• 实战流程见「实战流程」模块。