LLM-er for enhetstestgenerering Dette er en flott oversikt over bruken av LLM for generering av enhetstester. Den foreslår en taksonomi basert på enhetstestgenereringslivssyklusen som deler prosessen inn i en generativ fase for å lage testartefakter og en kvalitetssikringsfase for å forbedre dem. Artikkel: Lær hvordan du bygger effektive AI-agenter i vår akademi:

NY undersøkelse: AI-agenter for vitenskapelige oppdagelser. Dette er et av de mest spennende områdene inn i 2026. (bokmerk denne) Denne nye forskningen introduserer SAGA (Scientific Autonomous Goal-evolving Agent), et tonivå-rammeverk der den ytre løkken automatisk utvikler mål, mens den indre løkken optimaliserer løsninger. Hvorfor er dette papiret så viktig? Vitenskapelig oppdagelse krever iterasjon av hva som skal optimaliseres, ikke bare hvordan man optimaliserer. Automatisering av denne objektive evolusjonssløyfen lukker et gap som har flaskehalset det meste av den nyere AI-drevne vitenskapelige forskningen. I stedet for å behandle objektiv design som en engangsbeslutning fra mennesket, gjør SAGA det til en dynamisk, autonom oppdagelsesprosess. En LLM-basert planlegger foreslår nye mål. En implementator konverterer dem til kjørbare poengfunksjoner. En optimalisator søker etter løsninger. En analysator undersøker resultatene og identifiserer hvor målene trenger forbedring. SAGA opererer på tre automatiseringsnivåer: > co-pilot-modus, hvor forskere samarbeider om objektiv evolusjon > semi-pilot hvor forskere kun gir tilbakemelding til analysatoren > autopilot hvor både analyse og planlegging er fullstendig automatisert Resultater på tvers av fire vitenskapelige domener: I antibiotikadesign for medikamentresistent K. pneumoniae oppnår SAGA den beste balansen mellom biologisk aktivitet og legemiddellikhet. Selv om baselines enten ikke optimaliserer aktiviteten eller oppnår høy aktivitet med kjemisk urealistiske molekyler, legger SAGA dynamisk til mål som synteseverdi-straffer og metabolske stabilitetsfiltre basert på analyse av populasjonstrender. Innen materialdesign fant SAGA 15 nye stabile strukturer for permanente magneter med lav forsyningskjederisiko innenfor 200 DFT-beregninger, og overgikk MatterGen (11 strukturer). For superharde materialer inneholder over 90 % av de foreslåtte krystallene lette grunnstoffer som er essensielle for hardhet, noe som stemmer overens med eksperimentelle funn. I DNA-sekvensdesign overgår SAGA baselinjene for celletype-spesifikke forsterkerdesign med opptil 176 %, med 48 % forbedring i spesifisitet og 47 % i motivberikelse. Innen kjemisk prosessdesign identifiserer SAGA at kun optimalisering for produktets renhet fører til unødvendig komplekse flytskjemaer, og legger deretter autonomt til mål for kapitalkostnader og materialflytintensitet. Artikkel: Lær å bygge effektive AI-agenter i vår akademi: