RF-Agent：为射频集成电路设计构建语言智能体的实用框架

RF-Agent框架通过教科书驱动的知识蒸馏和多智能体QTSA流程，从七本RF教科书中构建了首个RF领域推理数据集（超11,000样本）和专用多选题基准。在该基准上，研究表明领域特定SFT显著提升中小模型的RF推理能力；RAG中语义检索效果最佳。

此前LLM在射频电路设计中的应用受限于缺乏领域数据集和标准化基准，RF-Agent首次提供了大规模RF推理数据集和可重复使用的基准，为LLM辅助RF电路设计奠定了基础。

利用教科书知识蒸馏构建高质量领域数据集，再通过多智能体QTSA流程生成格式统一的推理样本；对比SFT（直接微调模型参数）与RAG（检索增强上下文）两种适配策略，发现SFT对中小模型提升更显著，语义检索在RAG中因嵌入对齐更优而表现最好。

为RF IC设计工具集成LLM提供训练数据和方法论基础，有助于降低开发门槛、提升设计辅助质量，并减少对人工领域标注的依赖。

• 基于RF-Agent数据集开发面向射频电路设计的对话式辅助工具
• 将SFT微调后的模型集成到EDA工具中，自动完成射频电路参数推理
• 构建基于语义检索的射频设计知识库，辅助工程师快速获取相关设计参考

• 该数据集覆盖的电路类型和设计场景是否足够支撑实际RFIC设计全流程？
• SFT微调模型在真实射频电路仿真中的具体性能提升幅度是多少？
• 不同嵌入模型对语义RAG检索效果的影响如何？
• 该框架能否扩展到毫米波等更高频段设计领域？