打开 ADS，在 schematic、layout、Data Display 和 EM 设置之间来回切换；调一个匹配网络，试十几轮甚至几十轮；跑一次仿真，去接杯咖啡，回来继续盯着 Smith 圆图和指标表。
这些动作很专业，也很必要。但问题是：工程师真正的价值，难道只是把工具一步步点对、把流程一遍遍跑完吗？
在 2026 IEEE MTT-S 国际微波研讨会（IMS 2026）上，Keysight EDA 高级总监 Alexander Petr 提出了一个很有启发性的判断：RF 设计正在从“我该怎么做这件事”，走向“我到底想达成什么”。
这不是一句营销口号，而是一条正在成型的技术路线——Agentic AI 正在把 RF 工程师从重复操作中解放出来，让更多时间回到那些真正重要的事情上：定义目标、判断结果、做设计决策。
RF 设计为什么需要 Agentic AI？
RF 设计正在变得越来越复杂。
更宽的频段、更高的集成度、更严苛的线性度、效率、热与电磁耦合要求，让传统“手动调参 + 反复仿真”的方式越来越吃力。很多时候，工程师并不是缺少经验，而是被大量重复动作占住了时间：设置仿真、扫参数、整理数据、比较结果、同步脚本、复现流程。
Agentic AI 的意义，并不是让 AI 替代工程师做判断，而是让 AI 接管那些可定义、可执行、可重复的步骤。工程师提出目标，Agent 负责拆解任务、调用工具、执行流程、检查结果，并在必要时调整下一步动作。
换句话说，未来的 RF 设计流程不再只是“人驱动工具”，而是逐渐变成“工程师定义目标，AI 编排工具，仿真与数据验证结果”。这正是 From “How” to “What” 的核心变化。
从 L0 到 L5：RF 团队不需要一步登天
Keysight 将 RF 设计中的 AI 自治能力划分为多个层级。
Level 0 是最传统的手动 GUI 操作；
Level 1 是脚本和 API 驱动的基础自动化；
Level 2 是 Copilot 形态的自然语言辅助；
Level 3 开始出现具备领域能力的 Domain Agent；
Level 4 是多个 Agent 协同工作的 Agents of Agents；
Level 5 则是组织级智能——把专家经验、工具流程和设计数据持续沉淀为企业能力。
对大多数 RF 团队来说，今天处在 L1 到 L2 之间非常正常。RF 设计不同于软件开发，它受仿真成本、物理验证周期、工艺约束和测量相关性的影响，不可能一夜之间跨到完全自治。真正重要的不是“现在在哪一级”，而是“下一步怎么走”。
也许下一步只是把一段常用 Python 脚本接入 ADS 自动化流程；也许是让 Copilot 帮助生成或修改仿真脚本；也许是把资深工程师的 PA、滤波器或匹配网络优化经验沉淀成可复用 workflow。当流程开始被记录、被调用、被验证的时候，Agentic AI 其实就已经悄悄进入了真实工程。
Agentic RF 设计的三块关键积木
要让 Agent 真正服务 RF 设计，不能只靠一个会聊天的大模型。它必须建立在可靠的工程底座之上。这里有三块关键积木：代理模型、AI 优化器和知识沉淀。
01
代理模型 (Surrogate Model)：
02
AI 优化器(AI-Enabled Optimizer)：
03
知识沉淀(Knowledge Capture)：
Agentic AI 的长期价值，是把这些隐性经验转化为可执行、可复用、可迭代的 workflow，让个人经验逐渐变成团队资产。
Skill 负责执行，Agent 负责决策
理解 Agentic AI，有一个非常实用的区分：Skill 和 Agent。
Skill 可以理解成一个边界清晰、职责明确的能力模块，比如运行一次 EM 仿真、提取 S 参数、优化一个匹配网络、生成一段 Python 脚本。它强调的是“把一个具体动作可靠地做好”。
Agent 则更进一步。Agent 不只是执行单个动作，而是根据目标判断下一步该调用哪个 Skill、按什么顺序调用、结果是否满足要求、是否需要重试或更换策略。
这对 RF 工程尤其重要。因为工程设计不是简单的线性流程，而是不断在指标、物理约束、仿真精度和时间成本之间做权衡。Skill 保证动作可靠，Agent 负责流程决策，两者结合，才有可能形成既灵活又可信的工程自动化。
为什么这对 ADS 工程师尤其重要？
对于 ADS 用户来说，Agentic AI 并不是突然出现的“外部概念”。它和 ADS 多年来积累的自动化能力、Python API、仿真引擎、数据分析、Nexus 平台以及 RFPro 等能力天然相关。
ADS 工程师真正关心的，从来不是 AI 会不会写一段漂亮文字，而是它能不能进入真实设计流程：能不能读取当前工程，能不能调用仿真，能不能理解参数和结果，能不能帮助复现经验，能不能保证 IP 和数据安全。
这也是 Keysight 路线的关键差异：Agentic AI 不是让通用模型凭空猜结果，而是让 AI 围绕真实仿真器、真实设计数据和真实工程流程工作。对工程师来说，可信的前提不是“AI 说得像不像”，而是“结果是不是算出来的、流程是不是可追溯的、数据是不是留在安全边界内”。
从今天开始，RF 工程师可以怎么行动？
Agentic AI 听起来很大，但落地可以从很小的地方开始。
第一，梳理团队中最重复、最耗时、最容易出错的环节。比如常见仿真设置、参数扫描、结果整理、版图与电路之间的迭代检查。
第二，把已有脚本和经验流程标准化。哪怕只是把一个常用 ADS Python 流程整理清楚，也是在为后续 Agent 调用做准备。
第三，关注哪些问题适合代理模型加速。凡是单次仿真昂贵、评估次数很多、结构变化有规律的问题，往往都是 surrogate model 的候选场景。
第四，把专家经验转化成 workflow。不要只记录“最后怎么做成了”，更要记录“为什么这样做”。这部分内容，未来最有可能成为团队级 AI 能力的核心素材。
AI 不是让工程师少思考，而是让工程师把时间用在更值得思考的地方
RF 设计的下一次变化，可能不再是更复杂的菜单或更多参数，而是一种新的协作方式：工程师定义目标，Agent 编排流程，仿真验证结果，团队沉淀经验。
从“怎么做”到“要什么”，并不意味着工程师价值被削弱。相反，它让工程师把更多时间用在定义问题、判断结果和沉淀经验上。
如果你也在关注 AI 如何真正进入 RF/EDA 设计流程，欢迎来到 2026年8月18日在上海环球港凯悦酒店举行的 Keysight Design Engineering Summit（KDES）2026 中国大会。我们将围绕 Agentic EDA、ADS/Nexus 工作流、AI 优化与 RF 设计自动化，分享更多来自真实工程场景的案例与思考。
•
AI 到底如何进入 RF 设计流程？
•
ADS 工程师今天能从哪一步开始？
•
哪些场景最适合做自动化和智能优化？
8月18日，欢迎来到现场，一起聊聊 Agentic AI 如何从概念走向工程实践。
立即报名参与
编辑说明：本文基于 Alexander Petr 在 IMS 2026 关于《Keysight EDA – Journey to Level 5 Agentic Solutions for RF Design》的公开演讲内容整理
点击“阅读原文”，立即注册