首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >PCBRouteAgent:当 LLM 智能体坐上 PCB 布线工程师的工位

PCBRouteAgent:当 LLM 智能体坐上 PCB 布线工程师的工位

原创
作者头像
AI小怪兽
发布于 2026-11-19 14:00:16
发布于 2026-11-19 14:00:16
220
举报

论文解读 | PCBRouteAgent:当 LLM 智能体坐上 PCB 布线工程师的工位

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 |

代码:https://github.com/chip-ai-agent/PCBRouteAgent

项目页:https://chip-ai-agent.github.io/research/pcbrouteagent


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

  • YOLO算法结构性创新:于CSDN平台原创发布《YOLO26魔术师》、《YOLO11魔术师》等全系列深度专栏。系统性提出并开源了多项原创自研模块,在模型轻量化设计、多维度注意力机制融合、特征金字塔重构等关键方向完成了一系列突破性实践,为行业提供了具备高参考价值的技术路径与完整解决方案。
  • 技术生态建设与知识传播:独立运营 “计算机视觉大作战” 公众号(粉丝2.3万),成功构建高质量的技术交流社群。致力于将复杂算法转化为通俗易懂的解读与可复现的工程代码,显著降低了计算机视觉的技术入门门槛。

🏆 行业影响力与商业实践

  • 荣获腾讯云年度影响力作者与创作之星奖项,内容质量与专业性获行业权威平台认证。
  • 全网累计拥有 8万+ 垂直领域技术受众,专栏文章总阅读量突破百万,在目标检测领域形成了广泛的学术与工业影响力。
  • 具备丰富的企业级项目交付经验,曾为工业视觉检测、智慧城市安防等多个关键领域提供定制化的算法模型与解决方案,驱动业务智能化升级。

💡 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。

一、摘要

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:

代码语言:python
复制
"""
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()


二、研究背景和意义

2.1 PCB 布线:一个"步步相互牵制"的 coupled 物理设计难题

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。

图 1:PCB 布线示意——用铜线和过孔连接指定焊盘,同时满足设计规则
图 1:PCB 布线示意——用铜线和过孔连接指定焊盘,同时满足设计规则

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。

2.2 现有方法的瓶颈

  • 经典规则方法(启发式搜索、网络排序、拥塞代价):能自动完成大量工作,但复杂板仍需精心调参和人工介入。
  • 学习方法(全局布线、网络排序、扇出):效果取决于"布线决策怎么表示、怎么和物理执行挂钩"。基于网格的方法随分辨率提升面临决策空间爆炸;引导现有自动布线器的方法又把大量物理过程留给了那个布线器。
  • LLM 智能体(PCBWorld 环境):把 KiCad 原生布线操作和执行反馈暴露给智能体,但论文指出——能调用工具、能拿到反馈,并不等于具备板级协调能力。智能体得决定先连谁、怎么给竞争网络分配有限空间、什么时候必须换层;而且这些决策是耦合的:反复失败的连接可能需要改拓扑或换层,而不是再局部试一次。

2.3 研究意义

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。


三、创新点

  1. 分层双智能体架构(Global Planner + Detailed Executor):模仿人类工程师,把"板级全局策略"与"局部几何执行"彻底解耦成两个紧耦合组件。
  2. 多模态电路板表征(Visual + Structured Sidecar):同时用电路板图像和结构化文本(焊盘几何、层信息、网络、设计规则)喂给规划器,兼顾空间直觉与精确数值。
  3. 最小生成树连接拓扑 + 走廊/换层引导(MST + Corridor/Via Region):用 MST 把网络内的连通簇组织成紧凑拓扑,再分配"软走廊"与候选换层区域,而非 prescribing 精确走线几何。
  4. 有界局部恢复 + 结构化反馈重规划(Bounded Recovery + Feedback-Driven Replanning):局部困难用有界的恢复动作解决;解决不了才把结构化失败证据上报,做针对性的引导补丁,且保留已接受布线。

四、创新点解读(核心)

4.1 创新点一:分层双智能体——把"想清楚"和"干出来"分开

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:

  1. 输入:初始板 B0、目标网络集合 N、设计规则 R。
  2. 全局规划器:承担人类工程师的板级职责——连通性规划、布线优先级、空间与层的分配,产出一份 routing guide(布线引导)。
  3. 详细执行器:把引导编译成可执行任务,通过 KiCad 原生 push-and-shove(PNS)布线器落地为物理走线和过孔;失败时做有界局部恢复,并生成结构化反馈。
  4. 反馈闭环:规划器根据执行反馈修订策略,迭代推进,直到连完、无任务可调度、或预算耗尽。
图 2:PCBRouteAgent 整体框架——Inputs、全局规划器、详细执行器、输出评估四大块
图 2:PCBRouteAgent 整体框架——Inputs、全局规划器、详细执行器、输出评估四大块

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。

4.2 创新点二:多模态表征——图像给直觉,文本给精度

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:

  • 视觉模态 I:Ilayout(整体布局)、Ifront(正面铜箔)、Iback(背面铜箔)、Idemand(待连需求)四张图。
  • 文本模态 S:序列化焊盘坐标与几何、层信息、网络分配、连通簇、设计规则。
  • 对每个目标网络,电气上已连通的焊盘构成若干 连通簇(cluster),簇之间剩下的连接就是布线需求。

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。

4.3 创新点三:MST + 走廊/换层——给拓扑,不给几何

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:

  1. 建 MST:对网络内每个连通簇建加权图,边权取两簇焊盘间最小欧氏距离,并对不兼容的焊盘层加惩罚;求最小生成树,得到 K−1 条连接任务。
  2. 定顺序:按每个网络生成树的总估计长度排序,短网优先,作为轻量启动策略。
  3. 分走廊:同层连接取两端点轴对齐包围盒、各方向扩张 δ(论文设 δ=1.5 mm)作单个走廊;跨层连接在中点切开成两段走廊,中点周围扩张 δ 作候选过孔区域 Ve。

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。

4.4 创新点四:有界恢复 + 反馈重规划——"小问题本地修,大问题才上报"

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:

  1. 本地恢复(有界):先让 PNS 用 walkaround(绕行)、shove(推开挡路走线)探索;再试走廊内备选 waypoint;同层难题用网格 A* 找绕行;必要时回退到更早阶段、换连通簇内的备选锚点。恢复受重试/执行预算约束(每次连接允许 2 次阶段回退、1 次 A* 绕行、2 次备选锚点,每个阻挡网络最多 1 次 rip-up)。
  2. 结构化反馈:本地恢复耗尽仍失败,才生成反馈包 Fe——描述尝试过的操作、最后到达位置、可能的阻挡障碍、受影响的走廊、与原引导的偏离。
  3. 引导补丁:LLM 输出对当前引导的结构化局部更新 ∆G(改端点/走廊/过孔区/顺序),只改受影响部分,保留范围外的已接受布线;补丁先做一致性校验,不合法就让规划器带错误改正,再合并执行。

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。


五、实验结果

5.1 实验设置

  • 基准:PCBWorld-Bench,共 247 块板——D2(128 块合成双层板)、D3-A(99 块小型开源板)、D3-B(10 块中型开源板)、D3-C(10 块大型开源板,焊盘数 >100)。
  • 评估:用 KiCad 官方引擎评测,不以智能体自评为准。核心指标 Clean Pass(CP):所有必需连接完成、且 KiCad 报告零 error 级设计规则违规才算通过。另有 Potential Gain、Routability(可布线性,完成连接比例)、DRV(违规数)、线长 WL、过孔数。
  • 方法:PCBRouteAgent 用 Claude Opus 5.5 与 Haiku 5.5;基线包括 Freerouting、OrthoRoute、KiCadRoutingTools 等规则方法,GPT-5.4 系列、Qwen3.5-397B 等 LLM 智能体,以及 PPO/GRPO 等 RL 策略。

5.2 主实验:四个测试集的干净通过率

图 3:四个测试集 Clean Pass 率对比——PCBRouteAgent(Opus) vs 最强基线
图 3:四个测试集 Clean Pass 率对比——PCBRouteAgent(Opus) vs 最强基线

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。

5.3 消融实验:LLM 重规划到底贡献了什么

图 4:消融——去掉 LLM 重规划后各测试集干净通过率的变化
图 4:消融——去掉 LLM 重规划后各测试集干净通过率的变化

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。

5.4 效率对比:更强,还更省

图 5:同 Haiku 5.5 骨干、247 块板上的计算效率对比
图 5:同 Haiku 5.5 骨干、247 块板上的计算效率对比

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。

5.5 定性案例:visualization 里藏着论文最诚实的短板

图 6:同一块 D3-C 板的布线输出对比——PCBWorld 基线 10/86 连通 vs 本文 84/86
图 6:同一块 D3-C 板的布线输出对比——PCBWorld 基线 10/86 连通 vs 本文 84/86

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。

图 7:布线顺序失误导致传感器信号被"堵死"——参考设计(左)vs 本文输出(右)
图 7:布线顺序失误导致传感器信号被"堵死"——参考设计(左)vs 本文输出(右)

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。

图 8:USB 差分对案例——参考设计成对布线(左)vs 本文输出分开布线(右)
图 8:USB 差分对案例——参考设计成对布线(左)vs 本文输出分开布线(右)

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。


六、展望

6.1 论文自述的局限与未来方向

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。

目录
  • 论文解读 | PCBRouteAgent:当 LLM 智能体坐上 PCB 布线工程师的工位
    • 一、摘要
    • 二、研究背景和意义
      • 2.1 PCB 布线:一个"步步相互牵制"的 coupled 物理设计难题
      • 2.2 现有方法的瓶颈
      • 2.3 研究意义
    • 三、创新点
    • 四、创新点解读(核心)
      • 4.1 创新点一:分层双智能体——把"想清楚"和"干出来"分开
      • 4.2 创新点二:多模态表征——图像给直觉,文本给精度
      • 4.3 创新点三:MST + 走廊/换层——给拓扑,不给几何
      • 4.4 创新点四:有界恢复 + 反馈重规划——"小问题本地修,大问题才上报"
    • 五、实验结果
      • 5.1 实验设置
      • 5.2 主实验:四个测试集的干净通过率
      • 5.3 消融实验:LLM 重规划到底贡献了什么
      • 5.4 效率对比:更强,还更省
      • 5.5 定性案例:visualization 里藏着论文最诚实的短板
    • 六、展望
      • 6.1 论文自述的局限与未来方向
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档