AnalogAgent：基于 LLM 代理的自我提升模拟电路设计自动化
人工智能
2026-03-26 v1
摘要
近期大型语言模型（LLM）的进展表明其在自动化模拟电路设计方面具有强大的潜力。然而，大多数 LLM-based 方法依赖单模型的生成、诊断和纠正循环，倾向于简洁摘要，而非领域特定的见解，且受上下文衰减影响，削弱关键技术细节。为克服这些限制，我们提出了 AnalogAgent，一个训练自由的代理式框架，将 LLM-based 多代理系统（MAS）与自演化记忆（SEM）相结合，用于模拟电路设计自动化。AnalogAgent 协调代码生成器、设计优化器和知识策展者，将执行反馈提炼为 SEM 中的自适应策略手册，并检索针对性指导用于后续生成，实现跨任务迁移，无需额外专家反馈、数据库或库。在 established benchmarks 上，AnalogAgent 对于 Gemini 实现 92% Pass@1，对于 GPT-5 实现 97.4% Pass@1。此外，采用紧凑模型（如 Qwen-8B），其在各任务上实现 +48.8% 的平均 Pass@1 提升，总体达到 72.1% Pass@1，表明 AnalogAgent 在高质量模拟电路设计自动化方面显著增强了开源模型。
引用
@article{arxiv.2603.23910,
title = {AnalogAgent: Self-Improving Analog Circuit Design Automation with LLM Agents},
author = {Zhixuan Bao and Zhuoyi Lin and Jiageng Wang and Jinhai Hu and Yuan Gao and Yaoxin Wu and Xiaoli Li and Xun Xu},
journal= {arXiv preprint arXiv:2603.23910},
year = {2026}
}
备注
16 pages, 6 figures