论文
AnalogAgent：基于LLM智能体的自改进模拟电路设计自动化
AnalogAgent: Self-Improving Analog Circuit Design Automation with LLM Agents
摘要
大语言模型（LLM）的最新进展显示出自动化模拟电路设计的强大潜力。然而，大多数基于LLM的方法依赖单模型的生成、诊断与修正循环，偏向简略总结而非领域专门洞见，并饱受上下文损耗之苦，关键的技术细节因此被抹除。为解决这些局限，我们提出AnalogAgent，一个免训练的智能体框架，将基于LLM的多智能体系统（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（Code Generator）、设计优化器（Design Optimizer）与知识策展人（Knowledge Curator），将执行反馈提炼为SEM中的自适应行动手册，并为后续生成检索针对性指导，无需额外的专家反馈、数据库或库即可实现跨任务迁移。在既有基准上，AnalogAgent使用Gemini达到92%的Pass@1，使用GPT-5达到97.4%的Pass@1。此外，使用紧凑模型（如Qwen-8B）时，它在各任务上带来平均+48.8%的Pass@1增益，整体达到72.1%的Pass@1，表明AnalogAgent显著增强了开放权重模型在高质量模拟电路设计自动化方面的能力。
