LLMs cho việc tạo ra Unit Test Đây là một khảo sát tuyệt vời về việc sử dụng LLM cho việc tạo ra unit test. Nó đề xuất một phân loại dựa trên vòng đời tạo ra unit test, chia quá trình thành một giai đoạn tạo ra các tài liệu kiểm tra và theo một giai đoạn đảm bảo chất lượng để tinh chỉnh chúng. Bài báo: Tìm hiểu cách xây dựng các tác nhân AI hiệu quả trong học viện của chúng tôi:

Khảo sát MỚI: Các tác nhân AI cho Khám phá Khoa học. Đây là một trong những lĩnh vực thú vị nhất khi bước vào năm 2026. (hãy đánh dấu cái này) Nghiên cứu mới này giới thiệu SAGA (Tác nhân Tự động Đặt mục tiêu Khoa học), một khung hai cấp, trong đó vòng lặp bên ngoài tự động phát triển các mục tiêu trong khi vòng lặp bên trong tối ưu hóa các giải pháp. Tại sao tài liệu này lại quan trọng? Khám phá khoa học yêu cầu lặp lại những gì cần tối ưu hóa, không chỉ là cách tối ưu hóa. Tự động hóa vòng lặp phát triển mục tiêu này đóng một khoảng trống đã kìm hãm hầu hết các nghiên cứu khoa học do AI dẫn dắt gần đây. Thay vì coi thiết kế mục tiêu là một quyết định của con người một lần, SAGA biến nó thành một quá trình khám phá tự động, năng động. Một nhà lập kế hoạch dựa trên LLM đề xuất các mục tiêu mới. Một người thực hiện chuyển đổi chúng thành các hàm điểm có thể thực thi. Một người tối ưu hóa tìm kiếm các giải pháp. Một nhà phân tích xem xét kết quả và xác định nơi cần tinh chỉnh các mục tiêu. SAGA hoạt động ở ba cấp độ tự động hóa: > chế độ đồng lái, nơi các nhà khoa học hợp tác trong việc phát triển mục tiêu > chế độ bán lái, nơi các nhà khoa học chỉ cung cấp phản hồi cho nhà phân tích > chế độ tự động, nơi cả phân tích và lập kế hoạch đều hoàn toàn tự động Kết quả trên bốn lĩnh vực khoa học: Trong thiết kế kháng sinh cho K. pneumoniae kháng thuốc, SAGA đạt được sự cân bằng tốt nhất giữa hoạt động sinh học và tính giống thuốc. Trong khi các cơ sở dữ liệu hoặc không tối ưu hóa được hoạt động hoặc đạt được hoạt động cao với các phân tử hóa học không thực tế, SAGA tự động thêm các mục tiêu như hình phạt khả năng tổng hợp và bộ lọc ổn định chuyển hóa dựa trên việc phân tích các xu hướng cấp độ quần thể. Trong thiết kế vật liệu, SAGA đã tìm thấy 15 cấu trúc ổn định mới cho nam châm vĩnh cửu với rủi ro chuỗi cung ứng thấp trong 200 phép tính DFT, vượt trội hơn MatterGen (11 cấu trúc). Đối với vật liệu siêu cứng, hơn 90% các tinh thể được đề xuất chứa các nguyên tố nhẹ cần thiết cho độ cứng, phù hợp với các phát hiện thực nghiệm. Trong thiết kế chuỗi DNA, SAGA vượt qua các cơ sở dữ liệu về thiết kế tăng cường đặc hiệu theo loại tế bào lên tới 176%, với 48% cải thiện về độ đặc hiệu và 47% về sự phong phú của motif. Trong thiết kế quy trình hóa học, SAGA xác định rằng việc tối ưu hóa chỉ cho độ tinh khiết của sản phẩm dẫn đến các sơ đồ dòng chảy không cần thiết phức tạp, sau đó tự động thêm các mục tiêu cho chi phí vốn và cường độ dòng vật liệu. Tài liệu: Học cách xây dựng các tác nhân AI hiệu quả trong học viện của chúng tôi: