RF-Agent: A Practical Framework for Building Language Agents for RFIC Design

📄 arXiv: 2607.18772v1 📥 PDF

作者: Yueqi Xing, Houbo He, Jolie Wang, Erin Ni, Shikai Wang, Qiufeng Li, Weidong Cao, Taiyun Chi

分类: cs.CL

发布日期: 2026-07-21

备注: Accepted at ICLAD (IEEE International Conference on LLM-Aided Design), 2026

💡 一句话要点

提出RF-Agent框架以解决RF电路设计中的数据稀缺问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 射频电路设计 知识蒸馏 电子设计自动化 多代理系统 语言模型

📋 核心要点

  1. 现有方法在RF电路设计中应用LLMs时，面临领域特定数据集和标准化基准缺乏的挑战。
  2. RF-Agent框架通过教材驱动的知识蒸馏，构建了首个RF领域推理数据集，并提出了QTSA管道。
  3. 实验结果表明，领域特定的SFT显著提升了RF推理性能，尤其是在小型和中型模型上，语义检索配置效果最佳。

📝 摘要（中文）

大型语言模型（LLMs）在电子设计自动化（EDA）领域的快速进展尚未有效应用于射频（RF）电路设计，主要受限于领域特定数据集和标准化基准的匮乏。本文提出RF-Agent，通过教材驱动的知识蒸馏填补这一空白。多代理问答思维解决方案（QTSA）管道将七本经典RF教材的子章节语料转化为首个RF领域推理数据集（超过11,000个样本），并建立了专门的多项选择基准。在该基准上，我们研究了两种适应策略：监督微调（SFT）和三种检索增强生成（RAG）配置（语义、关键词、混合）。在多个LLM家族中，领域特定的SFT显著提升了RF推理，尤其对小型和中型模型效果显著；在RAG配置中，语义检索表现最佳，表明基于嵌入的上下文对齐更适合RF推理。该数据集和基准为未来LLM辅助RF电路设计提供了可重用的基础。

🔬 方法详解

问题定义：本文旨在解决RF电路设计中大型语言模型应用的局限性，尤其是缺乏领域特定数据集和标准化基准的问题。现有方法未能有效利用RF领域知识，导致推理能力不足。

核心思路：RF-Agent框架通过教材驱动的知识蒸馏，将经典RF教材中的知识转化为可用于训练的推理数据集，从而提升LLMs在RF电路设计中的应用效果。

技术框架：整体架构包括数据集构建、QTSA管道和多种适应策略。QTSA管道负责将教材内容转化为问答形式，并通过监督微调和检索增强生成策略进行训练和评估。

关键创新：最重要的创新在于构建了首个RF领域推理数据集，并通过教材驱动的知识蒸馏方法，显著提升了LLMs在RF电路设计中的推理能力。与现有方法相比，RF-Agent提供了更为系统化和标准化的训练基础。

关键设计：在实验中，采用了监督微调（SFT）和三种检索增强生成（RAG）配置，特别是语义检索配置表现最佳，表明嵌入式上下文对齐在RF推理中更为有效。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，领域特定的SFT在小型和中型模型上提升了RF推理性能，语义检索配置在RAG策略中表现最佳，表明其在RF推理中的有效性。该研究为RF电路设计提供了超过11,000个样本的数据集和专门的多项选择基准。

🎯 应用场景

RF-Agent框架的潜在应用领域包括射频电路设计、电子设计自动化和智能设计工具的开发。通过提供标准化的数据集和基准，未来研究者可以在此基础上进一步探索LLMs在RF设计中的应用，推动相关技术的进步与创新。

📄 摘要（原文）

Large language models (LLMs) have driven rapid progress in electronic design automation (EDA), yet their application to radio-frequency (RF) circuit design remains limited by the scarcity of domain-specific datasets and standardized benchmarks. We present RF-Agent, which addresses this gap through textbook-driven knowledge distillation. A multi-agent Question-Thinking-Solution-Answer (QTSA) pipeline converts a subsection-level corpus from seven canonical RF textbooks into the first-of-its-kind RF-domain reasoning dataset (over 11,000 samples) with a dedicated multiple-choice benchmark. On this benchmark we study two adaptation strategies: supervised fine-tuning (SFT) and three retrieval-augmented generation (RAG) configurations (semantic, keyword, hybrid). Across multiple LLM families, domain-specific SFT significantly improves RF reasoning, especially for small and medium-sized models; among RAG configurations, semantic retrieval performs best, indicating embedding-based context alignment suits RF reasoning better than naive fusion. The dataset and benchmark provide a reusable foundation for future work on LLM-aided RF circuit design.