夜雨聆风此前我们在《AI开始设计射频芯片了？》里写过一句话：RFIC会成为AI for EDA从工具自动化走向物理智能的一块试金石。
理由不复杂。数字设计可以把不少问题抽象成代码、规则和目标函数；RF设计中的版图、寄生、电磁耦合、工艺角、封装和系统指标始终纠缠在一起。模型给出一个漂亮候选，只是起点。它还得向Maxwell方程、foundry rule（晶圆厂规则）和工程师经验交账。
今年DAC结束后，这个问题有了新的观察窗口。
Keysight在DAC 2026展示了AI驱动工作流，并安排了一场“AI at the RF Frontier”专场。代理建模、数字孪生、先进优化、闭环验证，以及第三方AI引擎接入ADS的RFIC案例，在同期集中出现。
这些内容放在一起看，AI for RF的竞争正在换题。早期大家比模型能否加速仿真、预测S参数或生成无源结构。进入工程现场后，评价标准变成了工具调用、结果验证、失败回退、决策复现，以及流程对PDK、频段和封装变化的适应能力。
市场开始检验工程能力。
AI for RF现在处在什么段位
行业没有统一的AI for RF等级标准。Keysight给出一套“向Level 5演进”的厂商路线框架，从GUI和人工流程延伸到脚本/API、Copilot、Domain Agent、多Agent和更高自主程度。Cadence也有五阶段路线，两家都把全自主放在远期。
沿着这套路线，可以观察2026年市场落点。
L0以GUI和人工操作为主，资深工程师依靠个人习惯组织扫参、仿真和结果判断。
L1加入脚本、API和自动优化。Python、批处理、DOE、多目标优化早已进入工程流程。
L2加入代理模型和Copilot，用较低成本筛选候选，辅助知识查询、分析配置和脚本编写。Synopsys ASO.ai、Siemens Solido、Ansys SynMatrix、Altair和MathWorks都能找到对应能力。
L3是能调用真实工具的窄域Agent。工程师给出目标和约束，Agent拆解任务、调用仿真器、读回结果，再决定下一步。已有样板，通用性仍有限。
L4要求跨电路、版图、EM、封装和系统编排多个Agent，并在关键节点保留人工检查，现阶段多为演示和试点。
L5指限定任务域内可验证、可治理的自主闭环，需要稳定数据、可信求解器、过程追溯、人工责任边界和持续校准。市场距离这一层还很远。
如果按照AI Agent成熟度模型来衡量，Keysight当前已落地的能力主要处于L1-L2阶段。此次DAC展示的EDA Tool Assistant、Nexus Connect、开放API及第三方AI接入案例，展示其正在为L3级专业Agent构建基础能力。但需要指出的是，这些成果更多属于面向特定任务的智能化实践，而非已经实现可广泛交付的通用RF Agent。对于L4级自主决策智能体，目前尚无公开证据支撑。
所以，2026年谈AI for RF，最准确的判断是：优化、代理模型和窄域自动化已经进入商业工具；Copilot正在产品化；能够调工具的Domain Agent刚出现样板；跨电路、EM、封装、系统和测试的自主闭环还没有成为通用产品。
Keysight带到DAC的是一组工程底座
从DAC展示内容来看，Keysight的AI布局可归纳为三部分：已交付产品、前沿技术探索以及生态合作案例。
已交付产品包括RF Circuit Simulation Professional 2026、Nexus Connect和EDA Learning Assistant；EDA Tool Assistant则处于Early Access阶段，展现了自然语言驱动EDA工具的方向。
技术展示方面，重点包括PA神经网络行为建模和机器学习紧凑模型提取，通过AI提升系统级仿真与模型开发效率。此外，Sphere Semi展示了将自主AI引擎接入ADS平台的实践案例，证明了ADS开放架构能够有效支撑外部AI设计系统，而非直接代表Keysight自身Agent能力水平。
把正式产品、Early Access、技术方法和客户案例拆开之后，Keysight的路径反而更清楚：先给Agent铺工程轨道，再逐步提高自主程度。
把老师傅的方法变成可执行流程
RF团队常见一种尴尬：最后的原理图、版图和仿真报告都留住了，走到结果的过程却散在工程师脑子里。
先跑哪种稳定性分析、什么条件下切换拓扑、哪些工艺角必须重跑、何时进入EM或回到电路级，这些判断很难靠文档完整保存。
Nexus Connect瞄准的正是这层方法学。工程师可以在可执行白板上组织仿真、优化、条件分支、参数设置和中间决策，也可以切换到自动生成的可编辑Python。工作流可以保存、共享、重复执行，并在ADS、Cadence Virtuoso和Synopsys Custom Compiler环境中复用。
它当前的价值很具体：减少重复搭建分析流程，让设计评审看到同一条决策链，让资深工程师的方法能够被团队复现。长期看，这些包含步骤、条件、参数和结果的结构化记录，也比一堆最终报告更适合作为团队自己的AI数据。
这一点对RF尤其重要。公开大模型可以学到电磁学知识，却很难知道某家公司在特定PDK、频段和产品约束下怎样做取舍。可复用的设计过程，才是企业更稀缺的数据。
让物理求解器给Agent当裁判
聊天助手可以回答“怎么设置谐波平衡仿真”，Domain Agent则要真的完成设置、执行、读取结果并继续行动。两者之间隔着工程责任。
分工可以是：LLM理解意图，Nexus Connect固化并编排方法，ADS、RFPro、SystemVue用工程模型给答案。Agent可以扩大设计空间、提出候选、安排仿真；性能判断仍来自电路、EM、电热和系统级求解。
这条路径也解释了 Keysight 为什么强调 Python、开放接口和 HPC。Agent 探索大规模设计空间，需要并行计算、代理模型与真实求解器配合工作：代理模型用于快速缩小设计空间，高保真仿真负责验证与校准，而工程师则定义目标、约束和关键检查点。
在 AI Agent 快速发展的背景下，行业厂商都在探索可信工具与 Agent 编排能力。与强调单一平台闭环不同，Keysight 更关注开放生态（Open Ecosystem）的构建。通过标准化接口、Python 自动化框架以及 MCP Server，Keysight 工具能够更好地与主流大模型、AI Agent 以及第三方设计平台协同工作，帮助用户基于现有流程逐步落地 AI 能力，而无需局限于特定厂商生态。
对工程团队而言，AI 的价值最终体现在能否解决真实设计问题。Cadence、Synopsys、Siemens也在推进可信工具与Agent编排，Keysight 的思路更偏向务实落地，将 AI 能力与 RF 仿真、系统验证、测试测量等成熟工程流程结合，工作流还能与 Virtuoso、Custom Compiler 等业内主流环境协同，补充 RF 仿真、系统验证和测量链路能力，为用户提供更开放、更灵活的工程创新平台。
把一条PA流程拆开看
假设团队优化一颗功放，工程师先给出工艺、拓扑边界和验收指标：输出功率、效率、增益、线性度、带宽和稳定性，并规定必须覆盖的工艺角与高保真验证节点。目标和责任边界由人确定。
图：根据Keysight相关产品能力和常规PA设计方法综合整理，非Keysight官方现成工作流；Domain Agent为可选上层设想，工具之间的具体自动编排范围仍需结合实际产品环境确认。
Nexus Connect可以把现有方法编成可执行流程，将ADS中的谐波平衡、负载牵引、扫参和优化按顺序组织起来；满足条件后进入下一步，失败则回到指定节点。它是RF Circuit Simulation Professional 2026中的工作流能力，不是独立Agent。
若企业在上层接入受限任务域的Domain Agent，它可以读取仿真结果、选择下一组候选并触发既定分支。遇到匹配网络、片上无源和互连寄生，候选还要进入RFPro做版图级EM分析，提取结果再回标电路仿真。
通过电路和EM检查的候选，可以送入SystemVue，用行为模型、调制信号和系统场景评估整机表现。结果未达标，流程返回电路或EM环节；工程师在拓扑变更、约束调整和最终取舍处保留检查点。
这是一种工程分工示例。Keysight当前交付的是工具、接口和可执行流程能力，覆盖全链路的通用自主Agent仍在更远处。
下一道门槛是“证明设计可信”
前篇把RF AI的难点归结为数据、物理约束和有源—无源联合优化。Keysight这次展示的能力没有直接消除这三道难题，但提供了几个更工程化的切入口。
首先是数据。Nexus Connect能够保存步骤、参数、条件分支和中间决策，补充的是流程知识与决策轨迹。这些记录有助于复现专家方法，也可能成为企业后续训练和评估AI系统的重要上下文。但它不能替代代理模型所需的高保真电路与EM数据，也没有消除PDK数据受限、样本覆盖不足和跨工艺迁移困难。
其次是物理可信。ADS、RFPro和SystemVue可以为Agent提供电路、EM、电热和系统级仿真证据，但调用求解器只是第一步。模型与PDK版本是否正确，激励、端口和边界条件是否合理，网格与数值计算是否收敛，PVT和统计范围是否覆盖，以及仿真结果能否与实测相关，仍然需要工程检查和人工签核。
最后是有源—无源联合优化。跨工具的可执行流程可以支持电路、无源结构、EM和系统模型反复迭代，却不能据此认定通用的自动联合优化已经实现。封装、电热、可靠性和测量反馈之间仍有不少人工交接点，设计—实测的自主闭环也还处在更远的位置。
更准确地说，Keysight提供的是一套把复杂RF问题拆成可编排、可检查、可追溯工程步骤的基础，而不是三道难题的现成答案。
SystemVue产品页已经把开放Python API、RF数字孪生、HPC和测量相关模型放进agentic AI工作流的叙述中。这些资产为流程向系统和测量证据链延伸提供了接口基础，但尚不能等同于已经交付无人值守、自我学习的设计—实测闭环。
RF Agent下一轮竞争会落在结果能否被追溯、复现和复核。仿真次数多不等于可信。团队还要回答：用了哪版模型和PDK，为什么选择这组候选，在哪些条件下淘汰方案，最终结果经过哪些高保真仿真与人工检查。
Keysight还没有证明什么
第一，通用且正式商用的RF Domain Agent尚未得到证明。EDA Tool Assistant仍是Early Access，Sphere Semi展示的是客户自研AI引擎接入ADS，两者都不能写成Keysight已经内置一套通用自主Agent。
第二，公开材料没有证明同一套AI或Agent能力可以在不同PDK、频段、器件类型和封装条件之间稳定迁移。对RF设计来说，换工艺和换结构往往意味着数据分布、模型边界和验证条件都要重做。
第三，电路有源器件、片上无源、版图EM、封装和系统指标之间的全自动联合优化仍缺少通用交付证据。现有工具可以支撑跨环节迭代，距离统一目标函数下的稳定自治还有差距。
第四，从自主设计到实测反馈、模型更新和再次优化的无人闭环，仍是路线方向。SystemVue、测量相关模型和Keysight测试资产构成了延伸条件，却不能代替具体项目中的接口、校准、权限和人工签核。
主动说清这些边界并不会削弱Keysight的价值，反而给企业试点划出了可检验的范围：先验证一条受限工作流能否稳定执行、复现和回退，再决定是否把更多任务交给Agent。
写在最后
AI for RF已经越过“有没有”的讨论，开始进入“哪些步骤可以放心交出去”的阶段。
一支团队如果还在反复手动搭建扫参和仿真流程，资深工程师的方法很难复现，AI助手读不到真实工程工具，或者仿真与实测长期对不上，那么它面临的瓶颈已经超出单点模型精度。
DAC 2026之后，观察Keysight可以沿着这条工程路径展开：把专家方法变成可执行流程，让Agent调用可信求解器，再把结果带向系统与测量验证。
如果你的团队正在反复搭建RF仿真流程，或者希望判断一条现有工作流适合自动化到哪一步，可以带着真实设计任务找Keysight聊聊。先看哪些步骤能执行、由哪个求解器验证、数据怎样留在企业边界内，再谈Agent能走多远。
前篇讨论机器能否提出可信候选。走到今天，决定AI for RF段位的问题已经变成：一家企业有没有能力证明候选可信。
作者：麒芯
本文基于公开资料整理分析，仅供行业交流，不构成产品承诺或投资建议。
参考资料：
1. Keysight：《Keysight at DAC 2026》
2. Keysight：《RF Circuit Simulation Professional 2026 Product Release》
3. Keysight：《An Executable RF Design Workflow Whiteboard》
4. Keysight：《EDA.AI》
5. Keysight：《Journey to Level 5 Agentic Solutions for RF Design》
6. Cadence：《Agentic AI for RF Design: A Practical Path to Faster Execution》
7. Hyunsu Chae等：《ML-Assisted RF IC Design Enablement: the New Frontier of AI for EDA》