LLMs zur Generierung von Unit-Tests Dies ist eine großartige Umfrage über die Verwendung von LLM zur Generierung von Unit-Tests. Es wird eine Taxonomie vorgeschlagen, die auf dem Lebenszyklus der Unit-Test-Generierung basiert und den Prozess in eine generative Phase zur Erstellung von Testartefakten und eine Qualitätssicherungsphase zur Verfeinerung dieser Artefakte unterteilt. Papier: Erfahren Sie, wie Sie effektive KI-Agenten in unserer Akademie aufbauen:

NEUE Umfrage: KI-Agenten für wissenschaftliche Entdeckung. Dies ist eines der aufregendsten Gebiete, das in das Jahr 2026 geht. (Lesezeichen setzen) Diese neue Forschung stellt SAGA (Scientific Autonomous Goal-evolving Agent) vor, ein zweistufiges Framework, bei dem die äußere Schleife automatisch Ziele entwickelt, während die innere Schleife Lösungen optimiert. Warum ist dieses Papier so wichtig? Wissenschaftliche Entdeckung erfordert das Iterieren darüber, was optimiert werden soll, nicht nur wie optimiert werden soll. Die Automatisierung dieser Zielentwicklungs-Schleife schließt eine Lücke, die die meisten der jüngsten KI-gesteuerten Wissenschaftsforschung behindert hat. Anstatt das Design von Zielen als einmalige menschliche Entscheidung zu behandeln, macht SAGA es zu einem dynamischen, autonomen Entdeckungsprozess. Ein auf LLM basierender Planer schlägt neue Ziele vor. Ein Umsetzer wandelt sie in ausführbare Bewertungsfunktionen um. Ein Optimierer sucht nach Lösungen. Ein Analyst untersucht die Ergebnisse und identifiziert, wo Ziele verfeinert werden müssen. SAGA arbeitet auf drei Automatisierungsstufen: > Co-Pilot-Modus, in dem Wissenschaftler an der Zielentwicklung zusammenarbeiten > Semi-Pilot, bei dem Wissenschaftler nur Feedback an den Analysten geben > Autopilot, bei dem sowohl Analyse als auch Planung vollständig automatisiert sind Ergebnisse in vier wissenschaftlichen Bereichen: Bei der Antibiotika-Entwicklung für das arzneimittelresistente K. pneumoniae erreicht SAGA das beste Gleichgewicht zwischen biologischer Aktivität und Arzneimittelähnlichkeit. Während Baselines entweder nicht in der Lage sind, die Aktivität zu optimieren oder hohe Aktivität mit chemisch unrealistischen Molekülen erreichen, fügt SAGA dynamisch Ziele wie Synthesefähigkeitsstrafen und Filter für metabolische Stabilität hinzu, basierend auf der Analyse von Trends auf Bevölkerungsebene. In der Materialentwicklung fand SAGA 15 neuartige stabile Strukturen für Permanentmagneten mit geringem Risiko in der Lieferkette innerhalb von 200 DFT-Berechnungen und übertraf MatterGen (11 Strukturen). Bei superharten Materialien enthalten über 90 % der vorgeschlagenen Kristalle leichte Elemente, die für die Härte entscheidend sind, was mit experimentellen Ergebnissen übereinstimmt. Bei der DNA-Sequenzgestaltung übertrifft SAGA die Baselines beim design von zelltypspezifischen Enhancern um bis zu 176 %, mit einer Verbesserung der Spezifität um 48 % und einer Verbesserung der Motivanreicherung um 47 %. Bei der chemischen Prozessgestaltung identifiziert SAGA, dass die Optimierung nur für Produktreinheit zu unnötig komplexen Flussdiagrammen führt, und fügt dann autonom Ziele für Kapitalkosten und Materialflussintensität hinzu. Papier: Lernen Sie, effektive KI-Agenten in unserer Akademie zu erstellen: