El Agente Gráfico: 과학 에이전트를 위한 구조화된 실행 그래프

El Agente Gráfico: Structured Execution Graphs for Scientific Agents

대형 언어 모델(LLM)은 과학적 워크플로를 자동화하는 데 점점 더 많이 사용되고 있지만, 이질적인 컴퓨팅 도구와의 통합은 여전히 임시방편적이고 취약하다. 현재의 에이전트 기반 접근 방식은 문맥을 관리하고 실행을 조율하기 위해 구조화되지 않은 텍스트에 의존하는 경우가 많으며, 이는 종종 의사 결정의 출처를 모호하게 하고 감사 가능성을 저해할 수 있는 압도적인 양의 정보를 생성한다. 본 연구에서는 LLM 주도 의사 결정을 타입 안전(type-safe) 실행 환경 및 외부 영구 저장을 위한 동적 지식 그래프 내에 내장하는 단일 에이전트 프레임워크인 El Agente Gráfico를 제시한다. 우리 접근 방식의 핵심은 과학적 개념의 구조화된 추상화와 컴퓨팅 상태를 타입화된 파이썬(Python) 객체로 표현하여 메모리에 저장하거나 외부 지식 그래프에 영구적으로 보존하는 객체-그래프 매퍼(object-graph mapper)이다. 이러한 설계는 원시 텍스트가 아닌 타입화된 기호 식별자를 통한 문맥 관리를 가능하게 하여 일관성을 보장하고 출처 추적을 지원하며 효율적인 도구 오케스트레이션을 가능하게 한다. 우리는 이전에 다중 에이전트 시스템에서 평가된 바 있는 일련의 대학 수준 양자 화학 작업에 대해 자동화된 벤치마킹 프레임워크를 개발하여 시스템을 평가했으며, 단일 에이전트가 신뢰할 수 있는 실행 엔진과 결합될 때 복잡한 다단계 병렬 계산을 강력하게 수행할 수 있음을 입증했다. 나아가 우리는 이 패러다임을 지식 그래프가 메모리와 추론 기반 역할을 모두 수행하는 두 가지 대규모 애플리케이션(형태 이성질체 앙상블 생성 및 금속-유기 골격체 설계)으로 확장한다. 종합적으로 이러한 결과는 추상화와 타입 안전성이 어떻게 프롬프트 중심의 설계를 넘어 에이전트 기반 과학 자동화를 위한 확장 가능한 토대를 제공할 수 있는지 보여준다.

Large language models (LLMs) are increasingly used to automate scientific workflows, yet their integration with heterogeneous computational tools remains ad hoc and fragile. Current agentic approaches often rely on unstructured text to manage context and coordinate execution, generating often overwhelming volumes of information that may obscure decision provenance and hinder auditability. In this work, we present El Agente Gráfico, a single-agent framework that embeds LLM-driven decision-making within a type-safe execution environment and dynamic knowledge graphs for external persistence. Central to our approach is a structured abstraction of scientific concepts and an object-graph mapper that represents computational state as typed Python objects, stored either in memory or persisted in an external knowledge graph. This design enables context management through typed symbolic identifiers rather than raw text, thereby ensuring consistency, supporting provenance tracking, and enabling efficient tool orchestration. We evaluate the system by developing an automated benchmarking framework across a suite of university-level quantum chemistry tasks previously evaluated on a multi-agent system, demonstrating that a single agent, when coupled to a reliable execution engine, can robustly perform complex, multi-step, and parallel computations. We further extend this paradigm to two other large classes of applications: conformer ensemble generation and metal-organic framework design, where knowledge graphs serve as both memory and reasoning substrates. Together, these results illustrate how abstraction and type safety can provide a scalable foundation for agentic scientific automation beyond prompt-centric designs.