Semiconductor Engineering网站于2026年8月27日发布的一篇文章呼吁，将人工智能引入射频（RF）电路设计视为一条渐进式路径，而不是要求替换现有平台或彻底重建工作流程的项目。这一观点源于一个实际问题：RF和微波团队的很大一部分能力依赖于经验丰富的工程师所积累的机构知识，包括功率放大器设计方法、器件表征，以及工作过程中作出的、尚未以可复用形式记录的决策。
文章称，失去这些经验会延长新工程师的培养周期，减缓设计空间评估，还可能导致重新设计，而通过测试更多候选方案本可以更早发现重新设计的必要性。因此，第一个问题不应是团队是否会采用人工智能，而应是如何在不干扰工程师用于产出实际设计的工具的情况下，构建这种能力。
可并行实施的三个阶段
作者Daren McClearnon被来源介绍为Keysight的人工智能与机器学习产品经理，他提出了一个包含三个阶段的框架：知识捕获、工具编排和探索加速。这一框架不要求完成一个阶段后才能开始另一个阶段。
捕获专业知识并将其转化为可复用资产
来源指出，RF专业知识通常并不只存在于代码中，而是分散在工具、公式以及将仿真结果与实测硬件表现联系起来的实践经验之间。在捕获阶段，应将这些知识转化为团队可以运行和共享、并在之后交给软件代理的形式。
- 将原理图和版图导出为具有可调参数的Python代码。
- 以可执行脚本的形式记录专家操作。
- 将仿真流程图转化为有文档说明、能够被基于代理的系统理解的代码。
这一步的实际价值不在于使用语言模型本身，而在于让内部方法变得可见且可重复，而不是继续留存在特定个人的记忆中。
从编写脚本转向确定目标
编排阶段利用已经捕获的知识。工程师不必再手动编写和管理每一段脚本，而是可以设定所需结果，例如设计一款增益超过20 dB、输出功率超过28 dBm的MMIC功率放大器，然后由连接到工具的语言模型负责寻找并调用合适的工具。
根据文章，这并不等于直接转向完全自主化。目前，机构通常处于手动编程与早期协作助手之间：协作助手能够理解工程师的意图，但人工监督仍然密切存在。下一步则是专业化代理，在同一编排基础上承担多阶段任务，并获得部分授权。
在监控物理规律的同时加速探索
第三阶段着重于增加可探索的设计数量并缩短等待时间。来源提到两项主要工具：代理建模，即用基于神经网络的快速近似替代耗时的电磁仿真，对于某些结构，其速度在数量级上可能快两到三个数量级；以及人工智能辅助优化，能够同时处理更多参数，并以更少的仿真次数找到合适的解决方案。
但如果结果不可靠，加速就不会产生实际价值。风险尤其存在于封装、互连、耦合、电源和地完整性，以及三维电流等方面；这些因素可能使快速且自信的答案偏离真实硬件行为，继而增加故障根因分析的难度。因此，在扩大向系统授权的范围之前，必须将建模所使用的物理规律与实际测量结果进行比较。
扩大规模前需要验证什么？
该框架还强调数据来源追踪的重要性，而不仅仅是模型质量。团队需要了解代理模型的训练数据来自何处、如何标注和清理，以及其中已知的假设和限制。这种透明度决定了速度的边界，并防止速度转化为不可见的风险。
来源以Sphere Semi为例。这是一家RFIC设计公司，曾面临一次只能探索一个设计的问题。该公司采用了完全由代码定义、基于Python的流程来执行生成、仿真、排序和优化阶段，并通过电路与电磁联合仿真运行数百至数千个候选方案。根据文章提供的数据，与传统手动设计流程相比，这种方法使生产率提高了5至10倍，使隔离度提升了6 dB，并将滤波器面积缩小了30%。
certi.news解读：文章提出的实际变化并不是用独立代理取代工程师，而是将分散的知识转移到可执行流程中，然后将其与明确的设计目标和可量化的验证工具连接起来。这使采用过程不再那么取决于单一平台决策，而更多取决于文档、数据和测量的质量。不过，所提到的结果仅涉及来源展示的一个例子，单凭这些结果无法证明同样的收益会在每一种设计或环境中重复出现。此外，代理模型的可泛化性，以及封装、结构和数据发生变化时的边界等问题，仍需由每个团队进行专门验证。