
论文:PCBRouteAgent: How Close Are LLM Agents to Becoming PCB Routing Engineers?
题目译名:《PCBRouteAgent:LLM 智能体离成为 PCB 布线工程师还有多远?》
作者:Yue Zhang∗¹, Jilei Sun∗¹, Liqiang Jing∗†¹, Yijie Wei‡², Ruohan Yang³(¹ 德克萨斯大学达拉斯分校,² 德州仪器公司,³ 爱荷华州立大学;∗ 同等贡献,† 通讯作者,‡ 工作于德州仪器任职之外完成)
领域/时间:cs.AI | 2026 年 11 月 5 日投稿,11 月 9 日修订(v2)
DOI:10.48550/arXiv.2611.08175 |
博主简介

AI小怪兽 | 计算机视觉布道者 | 视觉检测领域创新者

深耕计算机视觉与深度学习领域,专注于目标检测前沿技术的探索与突破。长期致力于YOLO系列算法的结构性创新、性能极限优化与工业级落地实践,旨在打通从学术研究到产业应用的最后一公里。
🚀 核心专长与技术创新
🏆 行业影响力与商业实践
💡 未来方向与使命
秉持 “让每一行代码都有温度” 的技术理念,未来将持续聚焦于实时检测、语义分割及工业缺陷检测的商业化闭环等核心方向。愿与业界同仁协同创新,共同推动技术边界,以坚实的技术能力赋能实体经济与行业变革。

自动化印刷电路板(PCB)布线,需要把板级连通性决策与严格设计规则下的几何执行协调起来。尽管近期的智能体已经能够与原生布线工具交互,但在复杂电路板上实现可靠布线仍然充满挑战。本文提出 PCBRouteAgent——一个受人类工程师"全局策略与局部执行相协调"工作方式启发的多模态 PCB 布线智能体。全局布线规划器(Global Routing Planner)融合电路板图像与结构化的电气、几何信息,指定连接拓扑、布线顺序、布线走廊与换层方案;详细布线执行器(Detailed Routing Executor)借助 KiCad 原生布线引擎把这些引导落地为实际走线,并执行有界的局部恢复。未能解决的失败会以结构化反馈的形式返回,从而支持针对性的引导修订,同时保留已接受的布线成果。作者在来自四个 PCBWorld-Bench 测试划分的 247 块合成与真实电路板上评估 PCBRouteAgent:在 D2、D3-A、D3-B、D3-C 上分别取得 100%、94.9%、100%、40% 的干净通过率(clean-pass rate)。在三个真实子集上,PCBRouteAgent 的干净通过率分别比所评估的最佳基线高出 13.9、36、10 个百分点。案例研究揭示了布线顺序规划与特定信号约束方面的局限,凸显出"完成连接"与"通过电气验证的 PCB 设计"之间仍存在 substantial 差距。项目页与代码已在上述地址开源。
核心代码如下:
"""
PCBRouteAgent 核心逻辑概念整合
基于仓库 chip-ai-agent/PCBRouteAgent 的核心模块整理
注意:此为逻辑提炼,完整运行需依赖 pcb_world 等外部库
"""
from dataclasses import dataclass, field
from typing import Optional, Callable
import hashlib
import json
# ============================================================
# 1. 数据模型 (基于 schema 模块)
# ============================================================
@dataclass
class FeedbackPacket:
"""Detailed Executor 返回的执行反馈"""
edge_id: str
outcome: str # done | progress | unsupported | conflict | blocked | partial
stage_ref: str
failure_evidence: Optional["FailureEvidence"] = None
request: Optional[str] = None # widen | alternate_layer | reorder | repair
@dataclass
class FailureEvidence:
region_ref: Optional[str] = None
native_reason: Optional[str] = None
blocker_candidates: list = field(default_factory=list)
@dataclass
class Budget:
"""资源预算 (基于 loop/budget.py)"""
local_retry_cap: int = 3
replan_cap: int = 2
retries: dict = field(default_factory=dict)
replans: int = 0
def can_retry(self, edge_id: str) -> bool:
return self.retries.get(edge_id, 0) < self.local_retry_cap
def can_replan(self) -> bool:
return self.replans < self.replan_cap
def spend_retry(self, edge_id: str):
self.retries[edge_id] = self.retries.get(edge_id, 0) + 1
def spend_replan(self):
self.replans += 1
# ============================================================
# 2. 反馈路由器 (基于 loop/router.py)
# ============================================================
@dataclass
class Decision:
kind: str # continue | retry | replan | stop | done
reason: str
request: str = ""
edge_id: str = ""
hints: dict = field(default_factory=dict)
class StallTracker:
"""追踪连续无进展的失败次数"""
def __init__(self, threshold: int = 2):
self.threshold = threshold
self.counts = {}
def record(self, edge_id: str, region: str, progressed: bool) -> int:
key = (edge_id, region)
if progressed:
self.counts[key] = 0
return 0
self.counts[key] = self.counts.get(key, 0) + 1
return self.counts[key]
def stalled(self, edge_id: str, region: str) -> bool:
return self.counts.get((edge_id, region), 0) >= self.threshold
def route_feedback(pkt: FeedbackPacket, budget: Budget, stalls: StallTracker) -> Decision:
"""核心反馈决策函数"""
eid = pkt.edge_id
region = pkt.failure_evidence.region_ref or pkt.stage_ref if pkt.failure_evidence else pkt.stage_ref
if pkt.outcome == "done":
return Decision("done", "edge connected", edge_id=eid)
if pkt.outcome == "progress":
stalls.record(eid, region, True)
return Decision("continue", "connection progressed", edge_id=eid)
if pkt.outcome == "unsupported":
if not budget.can_replan():
return Decision("stop", "unsupported edge and replan cap reached", edge_id=eid)
return Decision("replan", "executor lacks capability", request="alternate_layer", edge_id=eid)
if pkt.outcome == "conflict":
if not budget.can_replan():
return Decision("stop", "resource conflict and replan cap reached", edge_id=eid)
return Decision("replan", "nets contend for same channel",
request=pkt.request or "reorder", edge_id=eid)
# blocked / partial
n = stalls.record(eid, region, False)
reason = pkt.failure_evidence.native_reason if pkt.failure_evidence else ""
transition_failure = reason in ("via_on_thru_pad", "via_not_placed")
if transition_failure or stalls.stalled(eid, region) or not budget.can_retry(eid):
if not budget.can_replan():
return Decision("stop", f"no progress in {region} and replan cap reached", edge_id=eid)
req = pkt.request or ("alternate_layer" if transition_failure else "widen")
return Decision("replan", f"{n} failure(s) in {region}; native: {reason}",
request=req, edge_id=eid)
return Decision("retry", f"local failure in {region}", edge_id=eid)
# ============================================================
# 3. 全局规划器 (基于 global_planner/planner.py)
# ============================================================
class GlobalPlanner:
"""全局规划器:构建多模态请求 -> LLM -> 验证 -> 返回布线方案"""
def __init__(self, provider=None, asset_root="./", **image_limits):
self.provider = provider
self.asset_root = asset_root
self.image_limits = image_limits
def plan(self, snapshot, feedback=None, previous_plan=None):
# 1. 构建包含图像、反馈的请求包
bundle = self._build_bundle(snapshot, feedback, previous_plan)
# 2. 调用 LLM (plan 或 replan)
if self.provider is None:
raise ValueError("需要 Global provider")
method = self.provider.replan if feedback else self.provider.plan
guide, usage = method(bundle)
# 3. 验证返回的布线方案 (Guide)
# ... (省略详细验证逻辑,依赖 guide/validate.py)
return guide, usage
def _build_bundle(self, snap, feedback, previous_plan):
# 此处简化:实际会调用 prompts/bundle.py 和 global_planner/images.py
return {"snapshot": snap, "feedback": feedback, "previous_plan": previous_plan}
# ============================================================
# 4. Detailed Executor (基于 exec/executor.py)
# ============================================================
class ScriptedDetailed:
"""详细执行器:逐步执行布线,处理局部障碍和重试"""
def __init__(self, gateway, snapshot_id, guide_id, mode=2, **kwargs):
self.gw = gateway
self.snapshot_id = snapshot_id
self.guide_id = guide_id
self.mode = mode # 1 = shove, 2 = walkaround
def execute_task(self, task) -> FeedbackPacket:
"""执行单个 DetailedSubtask,返回反馈"""
# 实际实现会通过 ToolGateway 调用 start_route, route_to, route_via, finish 等
# 并处理局部重试、迷宫中转、备用锚点等逻辑
# ... (逻辑非常复杂,此处从略)
pass
# ============================================================
# 5. Orchestrator (协调器,基于 exec/executor.py)
# ============================================================
class Orchestrator:
"""协调器:驱动 Global 和 Detailed 的迭代闭环"""
def __init__(self, global_planner, detailed_executor, router, budget):
self.global_planner = global_planner
self.detailed = detailed_executor
self.router = router
self.budget = budget
self.stalls = StallTracker()
def run(self, snapshot):
# 初始全局规划
guide = self.global_planner.plan(snapshot)
# 按网络顺序执行任务
for task in self._compile_tasks(guide):
while True:
# 1. 执行 Detailed 任务
feedback = self.detailed.execute_task(task)
# 2. 路由反馈,获得决策
decision = self.router.route_feedback(feedback, self.budget, self.stalls)
if decision.kind == "done":
break
elif decision.kind == "continue":
continue
elif decision.kind == "retry":
self.budget.spend_retry(decision.edge_id)
# 原地重试
continue
elif decision.kind == "replan":
if not self.budget.can_replan():
break # 停止
self.budget.spend_replan()
# 请求全局重规划
new_guide = self.global_planner.plan(
snapshot, feedback=feedback, previous_plan=guide
)
guide = new_guide
break # 重新编译任务
elif decision.kind == "stop":
return # 终止
def _compile_tasks(self, guide):
# 调用 guide/compiler.py 编译成 DetailedSubtask 列表
return []
# ============================================================
# 6. 命令行入口 (基于 cli/pipeline.py)
# ============================================================
def main():
"""
实际入口点:
python -m route_agent.cli.pipeline bench BOARD --out DIR
python -m route_agent.cli.pipeline benchset --list LIST --out DIR
"""
# 解析参数 -> 初始化组件 -> 运行 Orchestrator
pass
if __name__ == "__main__":
main()先补个背景。PCB(印刷电路板)是电子元件的机械载体与电气互连底座。原理图上的连通关系要变成实体电路板,分两步:先 布局(placement)——定元件位置与朝向;再 布线(routing)——用铜线和过孔把该连的焊盘连起来。
一个"网络(net)"里有两个或更多焊盘,它们必须连成一个导通网络,同时与其他网络电气隔离。走线要满足线宽、间距、过孔、板框等设计规则,还得照顾差分对等信号约束,并尽量短、少换层。

这张图在回答什么? PCB 布线到底在"布"什么。左侧 Input 是元件位置、焊盘与待连关系;右侧 Output 是布好的铜线——红线是正面铜箔、蓝线是背面铜箔,圆圈标注的"过孔(Via)"负责把两面接通。
解读:注意 Explanation 里的两条硬约束——走线必须待在板框内、绕开螺丝孔和禁布区;每条线还要满足宽度并与其它连接和板边保持安全距离。这正是论文反复强调的"coupled(相互耦合)"本质:每一次布线决策都会改变后续连接的可用空间。一条局部看似可行的走线,可能把后面某个网络堵死——这是理解全文方法设计的钥匙。
这篇的价值在于:它不把每条连接当成孤立的路径规划问题,而是研究智能体如何在"规划—执行—观察板态变化—再决策"的闭环里维持全局目标。这既是 EDA 自动化的工程价值所在,也是一个很有意思的"分层智能体架构"范本——这正是我从结构创新角度特别想拆解的部分。
问题本质:单次决策既要顾全局(先连谁、走哪层)又要顾局部(绕过这个焊盘、挤过这条缝),这种"粗粒度策略 + 细粒度几何"混在一起,让智能体顾此失彼。IC 布线流程早就给出了答案——OpenROAD 里 global routing 产出 guide、detailed routing 再落地。论文把这个成熟范式搬到了 PCB。
模块拆解:

这张图在回答什么? 整个系统的数据流与控制流。左侧 Inputs 是未布线 PCB(.kicad_pcb/.kicad_pro)、设计规则、可视化板视图与结构化 sidecar;中间 Global Routing Planner 做 MST 建树、空间与层规划、反馈驱动重规划;右侧 Detailed Executor 把走廊变成 Source→Waypoint→Via→Target 的执行序列;最右 Output 给出布好的板与 CP、可布线性、线长、过孔数、DRV 等指标。
设计动机点评:这是个很漂亮的 coarse-to-fine(由粗到细) 分解——全局层只做"软决策"(走廊是软的,执行器可以在里面找合法路径并报告偏离),局部层才有硬件级的精确几何 freedom。这样既避免了在规划阶段就陷入细粒度避障,又保留了执行阶段的灵活性。
AI小怪兽视角 · 结构性创新点评:这套"全局规划产 guide、局部执行落地、失败反馈修订"的架构,和我熟悉的 YOLO 系列 coarse-to-fine 特征金字塔思路有异曲同工之妙——都是先在高层做语义/拓扑决策,再在低层做精确定位。差别在于 YOLO 是前馈一次性出结果,而这里多了"执行反馈→再规划"的 iterative loop,因为 PCB 布线的板态会随每一步动作改变。如果用一句话总结可迁移的设计模式:当任务存在强耦合的先后依赖时,把"策略"和"执行"分开,并让执行结果能反向修正策略——这对做复杂场景检测的主动感知、多阶段 refinement 同样有启发。当然,它和 YOLO 的检测头改造没有直接迁移关系,价值在架构思想层。
问题本质:有效的全局规划要同时知道"还剩哪些连接没做"和"物理上哪里能走"。单看图像,缺乏焊盘 ID、精确坐标、层归属;单看文本,缺乏空间布局的直觉。
模块拆解:
Ilayout(整体布局)、Ifront(正面铜箔)、Iback(背面铜箔)、Idemand(待连需求)四张图。设计动机点评:图像提供空间上下文、文本提供精确标识符与数值约束——这是典型的多模态互补。论文还特意说明:重规划时初始图像保持不变,用执行反馈和连通性摘要来反映"演化中的板"。这个细节很关键——避免每次重规划都重新理解静态板面,把注意力集中在"变了什么"上。
问题本质:一个网络里多个簇要连通,能满足电气要求的拓扑组合数极多;逐对全连又会引入冗余布线。暴力搜索这个组合空间不现实。
模块拆解:
设计动机点评:核心智慧是 "软引导"——规划器指定走廊和候选换层区,但不钉死过孔的精确位置、不画死走线几何,把这些留给执行器用 KiCad 原生引擎去搜。这也解释了为什么后面反馈重规划时要专门判断"换层是不是必须":论文在 prompt 里明确写了——被围死的焊盘必须换层,否则这条边必失败。这种把领域知识写进 prompt 的做法,是很实用的工程经验。
问题本质:PNS 能处理很多局部几何约束,但如果每次失败都触发全局重规划,开销巨大,尤其当其实还有本地路径可走时。
模块拆解:
设计动机点评:这个"分级处理"是整篇最工程化的设计——它把"什么该本地解决、什么该上升到策略层"显式化了。失败不是二元的成/败,而是变成"可行动的证据(actionable evidence)",这正是 ReAct/Reflexion 那种"动作—证据—再决策"范式在物理设计里的落地。
AI小怪兽视角 · 工业落地价值:整套系统对算力/成本的账算得很细——附录里同模型对比显示模型调用从 22,529 降到 172(131 倍)、token 从 1.057 亿降到 1200 万、API 成本从 20.72 美元降到 4.77 美元、累计耗时从 36.4 小时降到 2.6 小时(详见 5.4 效率图)。这说明架构分层不只是为了精度,更是为了效率:把昂贵的大模型调用从"每步一次"压缩到"只在关键重规划时一次"。这对任何想做 Agent 工程落地的人都是重要一课——让 LLM 做它擅长的策略决策,把高频的几何执行交给专用引擎。

这张图在回答什么? 方法在各难度板上的实际完成能力。核心数据(Opus 版):
测试集 | PCBRouteAgent | 最强基线 | 提升 |
|---|---|---|---|
D2(合成) | 100.0% | 100.0%(Freerouting) | 持平 |
D3-A(小型真实) | 94.9% | 81.0%(PPO w/o finish) | +13.9 点 |
D3-B(中型真实) | 100.0% | 64.0%(Freerouting) | +36 点 |
D3-C(大型真实) | 40.0% | 30.0%(Freerouting) | +10 点 |
解读:在合成板 D2 和中型板 D3-B 上做到 100% 全通过,D3-A 也接近 95%,全面超越最强基线。但 D3-C 只有 40%——10 块大板有 6 块没完成,这是论文诚实报告的最大短板。另一个关键细节:D3-C 上平均可布线性达 0.949、DRV 从 Freerouting 的 32.0 降到 6.3(降幅 80.3%),但"连上了大部分"不等于"整块板干净通过"——高可布线性与低干净通过率之间的落差,正是复杂布线的真实难点。
一个细节值得注意:D3-B 的结果包含了对未评分模型响应失败的重试与角度修复(angle repair),并非严格的首次通过(@1)估计,论文对此有明确说明。

这张图在回答什么? 那个"反馈驱动的 LLM 重规划"模块有多重要。保持相同执行器与脚本化本地恢复,只去掉 LLM 引导修订:
测试集 | w/o LLM | + Claude Opus 5.5 | 提升 |
|---|---|---|---|
D2 | 96.1% | 100.0% | +3.9 点 |
D3-A | 53.5% | 94.9% | +41.4 点 |
D3-B | 0.0% | 100.0% | +100 点 |
D3-C | 0.0% | 40.0% | +40 点 |
解读:结论非常锐利——在 D3-B、D3-C 上,没有 LLM 时干净通过率为 0,尽管平均可布线性还有 0.891 和 0.831。也就是说脚本化流程能"连通大部分",但把剩下的难连接"收尾"成干净通过,靠的是 LLM 的针对性修订。代价也如实报告:线长和过孔数上升,例如 D3-A 上线长从 150.8mm 增至 165.5mm、过孔从 0.22 增至 0.79。

这张图在回答什么? 用同一个模型骨干,本文框架 vs PCBWorld 交互式智能体的资源开销。结论:模型调用 131 倍更少(22,529→172)、token 8.8 倍更少、API 成本 4.3 倍更低(20.72 美元→4.77 美元)、累计耗时 14 倍更短(36.4h→2.6h),同时干净通过率在四个集上全面更高。性能与效率双赢——这是分层架构最有说服力的证据。

这张图在回答什么? 同模型(Haiku 5.5)、同一块难板上的直观差距。左侧 PCBWorld 基线只连了 10/86,右侧 PCBRouteAgent 连了 84/86——红色正面铜层、蓝色背面铜层的走线密度一目了然。这张图把"规划—执行框架"的威力可视化得很直观。

这张图在回答什么? 一个具体的失败模式。参考设计里(左)时钟/数据信号(紫/橙)有空间到达焊盘;本文输出(右)因为先布了传感器电源(绿),留给信号的通道所剩无几,虚线重试引导(红色虚线)显示它想绕但绕不过去。这印证了论文的核心论点:早期决策会锁死后期连接的可用性。

这张图在回答什么? 论文最深刻的局限:PCBRouteAgent 完成了全部 55 条连接,却把 USB 的 D+ 和 D− 当成两条独立信号各走各的——参考设计是把它们成对(differential pair)布在一起。D+ 34.03mm、D− 36.49mm 的不等长,正是差分对设计的大忌。这揭示出"连接完成"与"电气可用"之间的鸿沟:光看连通性和基础 DRC 远远不够,信号完整性约束必须显式建模。
论文结论与案例研究指出两点核心局限:(1)早期布线决策会限制后续连接的可达性,即使有本地恢复也可能堵死;(2)完全连通不等于满足信号特定约束(如差分对)。未来工作将研究更有效的空间与层规划、自适应恢复预算、以及在不破坏已完成连接的前提下降低物理代价的布线精炼。作者坦承:在"成为 PCB 布线工程师"这条路上,"连接完成"到"电气验证通过"之间仍有 substantial 差距。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。