AI Agent

ACE-RTL: When Agentic Context Evolution Meets RTL-Specialized LLMs

ACE-RTL：当代理上下文进化与专为RTL设计的LLM相遇

Chenhui Deng, Zhongzhi Yu, Guan-Ting Liu, Nathaniel Pinckney, Brucek Khailany, Haoxing Ren

专题命中 软件智能体 ：agentic(title,abstract)；分类 cs.LG

AI总结 ACE-RTL结合代理上下文进化与专为RTL设计的LLM，通过生成器、反射器和协调器三部分提升RTL代码的正确性，实现41.02%的通过率提升。

LLM-based Automated Architecture View Generation: Where Are We Now?

基于LLM的自动架构视图生成：我们目前处于什么位置？

Miryala Sathvika, Rudra Dhar, Karthik Vaidhyanathan

机构 * Software Engineering Research Centre（软件工程研究中心） ； IIIT Hyderabad, India（海得拉巴印度理工学院） 纠错

专题命中 软件智能体 ：agent(abstract)；agentic(abstract)；分类 cs.AI、cs.SE

AI总结 研究评估了LLM和代理方法在从源代码生成架构视图的能力，发现提示策略略有提升，定制代理在清晰度和细节水平上表现最佳，但仍存在粒度不匹配问题。

Revisiting Quantum Code Generation: Where Should Domain Knowledge Live?

重新审视量子代码生成：领域知识应该在哪里居住？

Oscar Novo, Oscar Bastidas-Jossa, Alberto Calvo, Antonio Peris, Carlos Kuchkovsky

机构 * Quantum Computing Research, QCentroid（量子计算研究，QCentroid） 纠错

专题命中 软件智能体 ：agent(abstract)；agentic(abstract)；分类 cs.LG

AI总结 研究比较了Qiskit代码生成中不同专精策略，发现通用LLM在零样本和检索增强设置下表现更优，结合执行反馈代理可提升性能，表明无需领域微调即可实现更灵活的量子软件开发。

Comments Submitted to Quantum Machine Intelligence

A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction

车辆气动阻力预测中自演化编码代理的蓝图

Jinhui Ren, Huaiming Li, Yabin Liu, Tao Li, Zhaokun Liu, Yujia Liang, Zengle Ge, Chufan Wu, Xiaomin Yuan, Danyu Liu, Annan Li, Jianmin Wu

机构 * Famou Agent Team（Famou 代理团队） ； Baidu AI Cloud（百度AI云） ； IAT AI Team（IAT人工智能团队） 纠错

专题命中 软件智能体 ：agent(abstract)；workflow(abstract)；分类 cs.AI

AI总结 本文提出一种基于合同的自演化编码代理框架，通过约束优化发现可执行的代理管道，提升车辆阻力系数预测的效率与可靠性。

Goal Force: Teaching Video Models To Accomplish Physics-Conditioned Goals

目标力：教视频模型实现物理条件化的目标

Nate Gillman, Yinghua Zhou, Zitian Tang, Evan Luo, Arjan Chakravarthy, Daksh Aggarwal, Michael Freeman, Charles Herrmann, Chen Sun

机构 * Brown University（布朗大学） ； Cornell University（康奈尔大学） 纠错

专题命中 软件智能体 ：planning(abstract)；分类 cs.AI

AI总结 本文提出Goal Force框架，通过显式力矢量和中间动力学定义目标，使视频模型能零样本泛化到复杂现实场景，实现基于物理的视频生成与规划。

Comments Camera ready version (CVPR 2026). Code and interactive demos at https://goal-force.github.io/

Engineering Pitfalls in AI Coding Tools: An Empirical Study of Bugs in Claude Code, Codex, and Gemini CLI

人工智能编码工具中的工程陷阱：对Claude代码、Codex和Gemini CLI中bug的实证研究

Ruixin Zhang, Wuyang Dai, Hung Viet Pham, Gias Uddin, Jinqiu Yang, Song Wang

专题命中 软件智能体 ：workflow(abstract)；分类 cs.SE

AI总结 本文通过分析超过3800个公开报告的bug，揭示了构建AI编码工具中的常见故障模式和工程挑战，发现功能相关bug占比超67%，主要症状包括API错误、终端问题和命令失败。

Decoupling Numerical and Structural Parameters: An Empirical Study on Adaptive Genetic Algorithms via Deep Reinforcement Learning for the Large-Scale TSP

分离数值参数与结构参数：通过深度强化学习对适应性遗传算法进行大规模TSP的实证研究

Hongyu Wang, Yuhan Jing, Yibing Shi, Enjin Zhou, Haotian Zhang, Jialong Shi

机构 * School of Mathematics（数学学院） ； Statistics（统计学） ； Xi'an Jiaotong University（西安交通大学） ； School of Mechanical Engineering（机械工程学院） ； Frontier Institute of Science（前沿科学研究院） ； Technology（技术） ； Xi'an, China（中国西安） 纠错

专题命中 软件智能体 ：agent(abstract)；分类 cs.AI

AI总结 本文通过双重深度强化学习框架研究适应性遗传算法中数值参数与结构参数对TSP的影响，发现结构参数在防止停滞和逃离局部最优中起关键作用。

Comments 6 pages, 8 figures, Accepted by WCCI-CEC Conference