词元星图TokenAtlas
返回案例库

精选案例 · Agent / 实践案例

AI 辅助科研计算：我的「词元计划」实践

这个案例围绕「AI 辅助科研计算：我的「词元计划」实践」记录了一条真实 AI 实践线索，正文重点集中在「背景」「我用 AI 做了什么」，适合先按任务意图阅读再判断复用。

案例速读

README 标题「AI 辅助科研计算：我的「词元计划」实践」下已经出现运行/配置路径、脚本或接口线索、结果证据，正文重点集中在「背景」「我用 AI 做了什么」，比纯概念介绍更适合进入精选阅读流。 这篇案例的阅读价值在于，它把真实任务、模型辅助过程和可迁移做法放在同一个上下文里，读者可以从 「AI 辅助科研计算：我的「词元计划」实践」、「背景」、「我用 AI 做了什么」、「一、搭建 AI 研究助手系统」 进入正文。

  • 建议重点看 可参考其中的运行与配置路径、包含可迁移的命令、脚本或接口线索、已有结果或观测证据可用于判断复用价值。结合 Agent / 实践案例 和「任务驱动用户、AI 实践者」这一受众定位，它更适合作为任务检索后的精读材料，而不是只看一句短摘要后快速跳过。
  • 正文目录和原始材料仍然是判断依据；导读只帮助你更快定位阅读重点。
看点
AI 辅助科研计算：我的「词元计划」实践
读者
任务驱动用户、AI 实践者
复用
可参考其中的运行与配置路径
结构
10 个目录入口

原文内容

AI 辅助科研计算：我的「词元计划」实践

作者：蔡隆贤 | 化学物理系硕士生 | 2026.05

背景

我的研究方向涉及大量量子化学计算——分子结构优化、振动频率分析、光解反应路径探索。这些计算需要编写大量格式繁琐的输入文件，解析复杂的输出结果，并且在多台计算资源之间协调调度。

在加入「词元计划」之前，我几乎把所有时间都花在：

  • 手动写 Gaussian 输入文件（格式要求极严，一个空行遗漏就报错）
  • 从几千行的 .log 文件中手动提取能量、频率等数值
  • 在不同服务器之间手动传文件、催算、查状态

我用 AI 做了什么

一、搭建 AI 研究助手系统

我部署了两台 AI 助手（Claw-1 和 Claw-2），组成一个双智能体协作系统，用于自动化科研计算全流程：

角色 模型 职责
Claw-1（任务协调） 推理模型 任务拆解、框架搭建、结果验收、报告汇总
Claw-2（计算执行） 聊天模型（高性能硬件） 编写输入文件、执行高斯计算、提取结果数据

工作流程：

下达任务 → Claw-1 拆解框架 → Claw-2 执行计算 → 提交结果 → Claw-1 验收 → 生成报告

这套系统让我从"一个人干所有事"变成了"管理两个 AI 搭档"。

二、自动化高斯计算

输入文件自动生成

以前写一个 Gaussian .com 文件需要查手册、核对格式，现在直接自然语言描述：

“帮我生成甲醇二聚体的结合能计算文件，用 M06-2X/6-311++G(d,p)，带 BSSE 校正”

AI 自动生成符合规范的输入文件，包括：

  • 正确的电荷和自旋多重度（阴离子自动判断为双重态）
  • 合适的基组和方法选择
  • Counterpoise BSSE 校正配置
  • 格式严格校验（空行、坐标格式等）

计算结果自动解析

计算完成后，AI 自动从输出文件中提取关键数据并整理成表格：

分子 方法 能量 (Hartree) 频率数 计算时间
CH₃Cl M062X/6-31G(d) -258.3452 15 3.2 min
CH₃Br M062X/6-31G(d) -382.8971 15 5.1 min

错误诊断与自动修复

AI 帮助我避开了大量"踩坑"，例如：

  • 阴离子自旋多重度错误（AI 自动纠正为双重态）
  • 输入文件末尾缺少空行（AI 强制格式检查）
  • Counterpoise 校正的电荷陷阱（AI 自动识别混合电荷体系的特殊处理）
  • 基组和方法名称规范（如 M062X vs M06-2X）

这些错误我曾经每个都亲手踩过，现在 AI 帮我提前拦截。

三、多机远程计算协调

通过 SSH 和 Tailscale 组网，AI 助手自动完成：

  • 跨服务器文件传输（输入文件分发、结果文件回收）
  • 远程计算任务调度（在高性能服务器上提交计算任务）
  • 状态监控与轮询（定时检查计算进度，异常时自动告警）

四、知识库沉淀

AI 帮助我将"踩过的坑"整理成结构化知识库：

高斯计算方法记录
├── 二聚体结合能计算模板
├── 阴离子计算注意事项
├── BSSE 校正标准流程
├── 常见报错与解决方案
└── 1166 个测试文件索引

这些知识不再是散落在聊天记录里的碎片，而是随时可查的标准化文档。

效果对比

指标 使用 AI 前 使用 AI 后
单个计算任务准备时间 1-2 小时 5-10 分钟
结果提取与整理 30 分钟/个 自动完成
错误排查 反复查阅手册 AI 自动诊断
并行任务管理 手动切换 多智能体自动调度
知识留存 散落在聊天记录 结构化知识库

心得

  1. AI 不是替代你思考，而是替代你重复劳动。科研中真正的价值判断（选什么方法、怎么解释结果）仍然需要研究者自己，但格式、检索、文件操作这些机械工作完全可以交给 AI。

  2. 建立规范比写代码更重要。AI 助手的效率取决于你给它多清晰的指令和规范。花时间写好工作流文档，回报率极高。

  3. "踩坑"经验值得沉淀。每一个报错都是一次学习机会——让 AI 帮你记录下来，下次就不会再踩。

  4. 多智能体协作是自然的选择。不同任务适合不同模型，让擅长推理的做规划，擅长执行的做计算，各司其职效率最高。

技术栈

  • AI 框架：OpenClaw（智能体编排与自动化）
  • 计算软件：Gaussian 16、PySCF
  • 计算方法：DFT (M06-2X, B3LYP)、MP2、CCSD(T)
  • 远程协作：SSH、Tailscale、SCP
  • 基础设施：Ubuntu Server、多节点集群

更多细节和技术文档可访问 GitHub
返回顶部