# 多智能体框架

RIVER 是一个无需训练的多智能体检索框架，把大语言模型、生化计算工具和外部知识库组织成可追溯的证据链，用于酶到反应和反应到酶的双向检索。在来自大肠杆菌代谢组学文献的四个实验支持的酶—反应案例中，它需要在 667 个候选蛋白里排序，使用 Qwen3.6-35B-A3B 时平均倒数排名为 0.833，使用 GPT-5.6 Luna 时为 0.750，均高于表中列出的通用编码智能体组合与领域方法。在公开基准上，它在 Enzyme-405 上的 Top-1 查询成功率为 82.3%，在 Orphan-335 上为 72.8%。

RIVER 是一个无需训练的多智能体检索框架，把大语言模型、生化计算工具和外部知识库组织成可追溯的证据链，用于酶到反应和反应到酶的双向检索。在来自大肠杆菌代谢组学文献的四个实验支持的酶—反应案例中，它需要在 667 个候选蛋白里排序，使用 Qwen3.6-35B-A3B 时平均倒数排名为 0.833，使用 GPT-5.6 Luna 时为 0.750，均高于表中列出的通用编码智能体组合与领域方法。在公开基准上，它在 Enzyme-405 上的 Top-1 查询成功率为 82.3%，在 Orphan-335 上为 72.8%。

寄存器传输级（RTL）代码的优化长期依赖人工改写，而现有评测多在人为退化的设计上、用较弱的综合流程衡量收益，难以说明改写是否真能超过商用综合工具。Dr. RTL把时序分析、并行改写与商用综合、顺序等价性检查串成闭环，并把成功与失败的改写经验沉淀为可复用的模式—策略技能。在20个原始人工编写的RTL设计上，它相对商用综合平均把最差负裕量（WNS）改善21.3%、总负裕量（TNS）改善16.9%，面积减少5.8%，平均顺序等价性检查通过率为86%。

寄存器传输级（RTL）代码的优化长期依赖人工改写，而现有评测多在人为退化的设计上、用较弱的综合流程衡量收益，难以说明改写是否真能超过商用综合工具。Dr. RTL把时序分析、并行改写与商用综合、顺序等价性检查串成闭环，并把成功与失败的改写经验沉淀为可复用的模式—策略技能。在20个原始人工编写的RTL设计上，它相对商用综合平均把最差负裕量（WNS）改善21.3%、总负裕量（TNS）改善16.9%，面积减少5.8%，平均顺序等价性检查通过率为86%。