LLM untuk Generasi Uji Unit Ini adalah survei yang bagus tentang penggunaan LLM untuk pembuatan uji unit. Ini mengusulkan taksonomi berdasarkan siklus hidup generasi uji unit yang membagi proses menjadi fase generatif untuk membuat artefak uji dan fase jaminan kualitas untuk menyempurnakannya. Kertas: Pelajari cara membangun agen AI yang efektif di akademi kami:

Survei BARU: Agen AI untuk Penemuan Ilmiah. Ini adalah salah satu area paling menarik memasuki tahun 2026. (tandai yang ini) Penelitian baru ini memperkenalkan SAGA (Scientific Autonomous Goal-evolving Agent), kerangka kerja dua tingkat di mana loop luar secara otomatis mengembangkan tujuan sementara loop dalam mengoptimalkan solusi. Mengapa makalah ini menjadi masalah besar? Penemuan ilmiah membutuhkan iterasi tentang apa yang harus dioptimalkan, bukan hanya bagaimana mengoptimalkan. Mengotomatiskan lingkaran evolusi objektif ini menutup celah yang telah menghambat sebagian besar penelitian sains berbasis AI baru-baru ini. Alih-alih memperlakukan desain objektif sebagai keputusan manusia satu kali, SAGA menjadikannya proses penemuan yang dinamis dan otonom. Perencana berbasis LLM mengusulkan tujuan baru. Seorang pelaksana mengubahnya menjadi fungsi penilaian yang dapat dieksekusi. Pengoptimal mencari solusi. Penganalisis memeriksa hasil dan mengidentifikasi di mana tujuan perlu disempurnakan. SAGA beroperasi pada tiga tingkat otomatisasi: > mode co-pilot, di mana para ilmuwan berkolaborasi dalam evolusi objektif > semi-pilot di mana para ilmuwan hanya memberikan umpan balik kepada penganalisis > autopilot di mana analisis dan perencanaan sepenuhnya otomatis Hasil di empat domain ilmiah: Dalam desain antibiotik untuk K. pneumoniae yang resisten terhadap obat, SAGA mencapai keseimbangan terbaik antara aktivitas biologis dan kemiripan obat. Sementara garis dasar gagal mengoptimalkan aktivitas atau mencapai aktivitas tinggi dengan molekul yang tidak realistis secara kimia, SAGA secara dinamis menambahkan tujuan seperti penalti sintesis dan filter stabilitas metabolisme berdasarkan analisis tren tingkat populasi. Dalam desain material, SAGA menemukan 15 struktur stabil baru untuk magnet permanen dengan risiko rantai pasokan rendah dalam 200 perhitungan DFT, mengungguli MatterGen (11 struktur). Untuk bahan superhard, lebih dari 90% kristal yang diusulkan mengandung elemen cahaya yang penting untuk kekerasan, selaras dengan temuan eksperimental. Dalam desain urutan DNA, SAGA melampaui garis dasar pada desain penambah spesifik tipe sel hingga 176%, dengan peningkatan 48% dalam spesifisitas dan 47% dalam pengayaan motif. Dalam desain proses kimia, SAGA mengidentifikasi bahwa mengoptimalkan hanya untuk kemurnian produk mengarah pada lembar alir yang tidak perlu, kemudian secara mandiri menambahkan tujuan untuk biaya modal dan intensitas aliran material. Kertas: Pelajari cara membangun Agen AI yang efektif di akademi kami: