LLM-y do generowania testów jednostkowych To świetna analiza dotycząca wykorzystania LLM do generowania testów jednostkowych. Proponuje taksonomię opartą na cyklu życia generowania testów jednostkowych, która dzieli proces na fazę generatywną do tworzenia artefaktów testowych oraz fazę zapewnienia jakości do ich udoskonalania. Artykuł: Dowiedz się, jak budować skuteczne agenty AI w naszej akademii:

NOWA ankieta: Agenci AI w odkrywaniu naukowym. To jedna z najbardziej ekscytujących dziedzin w 2026 roku. (zapisz to) Niniejsze badanie wprowadza SAGA (Naukowy Autonomiczny Agent Ewolucji Celów), dwupoziomowy framework, w którym zewnętrzna pętla automatycznie ewoluuje cele, podczas gdy wewnętrzna pętla optymalizuje rozwiązania. Dlaczego ten artykuł jest tak ważny? Odkrywanie naukowe wymaga iteracji nad tym, co optymalizować, a nie tylko jak optymalizować. Automatyzacja tej pętli ewolucji celów zamyka lukę, która spowolniła większość ostatnich badań naukowych napędzanych przez AI. Zamiast traktować projektowanie celów jako jednorazową decyzję ludzką, SAGA czyni z niego dynamiczny, autonomiczny proces odkrywania. Planista oparty na LLM proponuje nowe cele. Wdrażający przekształca je w wykonalne funkcje oceny. Optymalizator poszukuje rozwiązań. Analityk bada wyniki i identyfikuje, gdzie cele wymagają udoskonalenia. SAGA działa na trzech poziomach automatyzacji: > tryb współpilotowania, w którym naukowcy współpracują nad ewolucją celów > półpilot, w którym naukowcy tylko udzielają informacji zwrotnej analitykowi > tryb autopilota, w którym zarówno analiza, jak i planowanie są w pełni zautomatyzowane Wyniki w czterech dziedzinach naukowych: W projektowaniu antybiotyków dla opornych na leki K. pneumoniae, SAGA osiąga najlepszą równowagę między aktywnością biologiczną a podobieństwem do leków. Podczas gdy podstawowe metody albo nie optymalizują aktywności, albo osiągają wysoką aktywność przy chemicznie nierealistycznych cząsteczkach, SAGA dynamicznie dodaje cele, takie jak kary za syntezowalność i filtry stabilności metabolicznej, na podstawie analizy trendów na poziomie populacji. W projektowaniu materiałów, SAGA znalazła 15 nowych stabilnych struktur dla magnesów trwałych z niskim ryzykiem w łańcuchu dostaw w ramach 200 obliczeń DFT, przewyższając MatterGen (11 struktur). W przypadku materiałów supertwardych, ponad 90% proponowanych kryształów zawiera lekkie pierwiastki niezbędne do twardości, co jest zgodne z wynikami eksperymentalnymi. W projektowaniu sekwencji DNA, SAGA przewyższa podstawowe metody w projektowaniu wzmacniaczy specyficznych dla typu komórkowego o nawet 176%, z 48% poprawą w specyficzności i 47% w wzbogaceniu motywów. W projektowaniu procesów chemicznych, SAGA identyfikuje, że optymalizacja tylko pod kątem czystości produktu prowadzi do niepotrzebnie skomplikowanych schematów przepływu, a następnie autonomicznie dodaje cele dotyczące kosztów kapitałowych i intensywności przepływu materiałów. Artykuł: Naucz się budować skuteczne Agenty AI w naszej akademii: