Agent-MD：面向有状态GCMC-MD模拟战役的事件驱动升级式大语言模型选择性介入

长周期分子模拟战役需要反复从保存状态续算、具备溯源意识的推进、自适应评估，以及对固定规则无法安全处置的工作流条件进行偶尔的解读。我们提出Agent-MD，该框架将大语言模型（LLM）推理选择性地置于战役构建与事件触发的审查环节，而常规的模拟、分析、续算、归档和状态推进则由一个持久的、基于规则的战役智能体依照经批准的策略与显式状态记录来处理。Agent-MD在一个包含五个蒙脱石体系和三个顺序相对湿度状态（RH = 0.9-0.3-0.1）的巨正则蒙特卡洛-分子动力学（GCMC-MD）水汽脱附战役中得到验证。在15个体系-湿度状态上，该工作流完成了120个分段模拟循环，具有状态特定的采样长度和具备溯源意识的重启继承。常规生产运行无需实时调用推理智能体，仅有一个状态到达审查边界；两起被保留的事件随后通过盲评推理智能体重放进行评估，识别出底层工作流问题并推荐了恰当的后续行动。模拟还揭示了依赖于组成的低湿度响应差异：含钙蒙脱石比含钠和含钾体系保留更多层间水并维持更大的基面间距，而电荷最高的Na体系在干燥条件下保留更多残余水。这些结果表明，长周期科学工作流无需把每个操作都放进大语言模型推理循环：选择性推理可以与确定性执行、结构化证据和经验证的控制交接相结合，提供可复现、可审计的Agent辅助分子模拟。