资深 RF 工程师一旦离开，团队还剩多少设计能力？

匹配网络调了十几轮，EM 仿真跑了一整夜，最后能不能收敛，还得靠那位“老师傅”看一眼 Smith 圆图。

与此同时，AI Agent 正在快速进入工程领域。2026年10月6日，Keysight 宣布将 Agentic AI 引入其设计软件：

RF 经验不在公开代码库里，而在工具、公式，以及工程师多年积累的“什么设计真正能与实测对得上”的判断中。

Capture 的做法包括：将原理图和版图导出为参数化 Python、把专家操作录制成可执行脚本、把仿真流程绘制成流程图并转成带文档的 Agent 可用代码。目标是把“某个人的经验”变成“全团队可运行、可共享、可交给 Agent 的资产”。

当经验沉淀为可调用的技能，工程师就不必再逐步操作工具、反复维护脚本，而可以直接用自然语言提出设计目标，由 Agent 调用 ADS 等工具完成仿真设置、参数扫描和结果整理。

关键在于，Agent 并不凭空给答案：Keysight 提供有文档的技能与工具，以降低大模型统计式生成带来的不确定性，并通过仿真验证 Agent 的输出。这也是 RF 设计采用 AI 时最需要守住的底线：结果必须可验证。

复杂仿真与设计空间探索耗时较长，导致团队往往只能评估有限的候选方案，一些问题要到流片阶段才暴露。

Accelerate 通过机器学习、代理模型（Surrogate Model）以及与实测相关联的仿真，在更短时间内评估更多设计方案。对 PA、滤波器、宽带匹配这类需要大量迭代的设计，探索效率的提升会直接转化为性能余量和项目周期。

白皮书《RF EDA 的 AI 设计之旅：规划指南》（Planning Your AI Design Journey in RF EDA）完整版现已上线「是德DES下载站」微信小程序。无论你是 RF 设计工程师，还是正在规划团队 AI 能力的技术负责人，都可以从中找到可立即开始的第一步。

点击下方链接，进入小程序搜索「白皮书」下载阅读。