Keysight Advances its Design Software with Agentic AI

Source: https://semiwiki.com/eda/374576-keysight-advances-its-design-software-with-agentic-ai/

Keysight Technologies is opening a new route for artificial intelligence into radio frequency engineering. Announced on October 6, 2026, its latest software capabilities let engineers connect their own AI agents and large language models to Advanced Design System (ADS) 2027. Agents can help generate and optimize circuits, then use Keysight simulation to check their results. The capabilities are available in ADS 2027 and RF Circuit Simulation Professional.

키사이트 테크놀로지스(Keysight Technologies)가 인공지능을 무선 주파수(RF) 엔지니어링 분야로 끌어들이는 새로운 길을 열고 있습니다. 2026년 10월 6일에 발표된 최신 소프트웨어 기능은 엔지니어들이 자신만의 AI 에이전트와 대규모 언어 모델(LLM)을 어드밴스드 디자인 시스템(ADS) 2027에 연결할 수 있도록 지원합니다. 에이전트는 회로 생성 및 최적화를 도운 후, 키사이트 시뮬레이션을 사용하여 그 결과를 확인할 수 있습니다. 이 기능은 ADS 2027 및 RF 회로 시뮬레이션 프로페셔널(RF Circuit Simulation Professional)에서 사용할 수 있습니다.

The update combines Model Context Protocol (MCP) servers, workflow recording, and Python script generation. MCP servers give agents documented skills and tools built by Keysight that execute specific RF work consistently, reducing the variability of AI models generating answers statistically. Converting graphical designs into code gives agents a more accessible representation of engineering work. Engineers can issue natural language requests, with agents carrying out tasks through the software and running simulations to evaluate the output.

이번 업데이트는 모델 컨텍스트 프로토콜(MCP) 서버, 워크플로우 레코딩, 그리고 파이썬 스크립트 생성을 결합했습니다. MCP 서버는 에이전트에게 특정 RF 작업을 일관되게 수행하는 키사이트 제작의 문서화된 기술과 도구를 제공함으로써, AI 모델이 통계적으로 답변을 생성할 때 발생하는 편동성을 줄여줍니다. 그래픽 기반의 설계를 코드로 변환하면 에이전트가 엔지니어링 작업에 더 쉽게 접근할 수 있습니다. 엔지니어들은 자연어로 요청을 내릴 수 있고, 에이전트는 소프트웨어를 통해 작업을 수행하며 시뮬레이션을 실행하여 그 산출물을 평가합니다.

Why it matters begins with the difference between offering advice and performing work. A conversational assistant can describe a design procedure, but an agent connected to engineering software can execute steps and examine results. That creates the possibility of a shorter loop between an engineer’s intention, a proposed circuit, and evidence about its performance.

이것이 중요한 이유는 조언을 제공하는 것과 실제 작업을 수행하는 것 사이의 차이에서 비롯됩니다. 대화형 어시스턴트는 설계 절차를 설명할 수 있지만, 엔지니어링 소프트웨어에 연결된 에이전트는 직접 단계를 실행하고 결과를 검토할 수 있습니다. 이는 엔지니어의 의도, 제안된 회로, 그리고 그 성능에 대한 증거 사이의 주기를 더 짧게 만들어 줄 가능성을 열어줍니다.

Consider a hypothetical amplifier project. An engineer might ask an agent to explore component variations against specified performance targets. If the workflow supports those operations, the agent could organize repeated simulations and return candidates for review. The engineer would still decide whether the targets, assumptions, and resulting tradeoffs make sense. The potential gain is more time for judgment and less time spent operating menus or assembling repetitive scripts.

가상의 증폭기 프로젝트를 생각해 봅시다. 엔지니어는 에이전트에게 지정된 성능 목표에 대해 부품 변형을 탐색해 달라고 요청할 수 있습니다. 만약 워크플로우가 이러한 연산을 지원한다면, 에이전트는 반복적인 시뮬레이션을 조직하고 검토할 후보군을 반환할 수 있습니다. 엔지니어는 여전히 목표, 가정, 그리고 그에 따른 트레이드오프가 타당한지 여부를 결정하게 됩니다. 잠재적인 이점은 판단에 더 많은 시간을 쓰고, 메뉴를 조작하거나 반복적인 스크립트를 조립하는 데 쓰는 시간은 줄어든다는 점입니다.

That distinction matters because faster execution can expand the search for better designs. Teams working against a deadline often have to choose how many alternatives they can investigate. If automation lowers the effort required for each experiment, engineers could evaluate additional configurations before committing to hardware. The benefit would depend on whether those experiments answer useful questions, rather than simply producing more results.

이러한 구분이 중요한 이유는 더 빠른 실행이 더 나은 설계를 위한 탐색 범위를 넓혀줄 수 있기 때문입니다. 마감일에 쫓기는 팀들은 종종 얼마나 많은 대안을 조사할 수 있을지 선택해야 합니다. 만약 자동화가 각 실험에 필요한 노력을 줄여준다면, 엔지니어들은 하드웨어에 착수하기 전에 추가적인 구성들을 평가할 수 있습니다. 그 이점은 단순히 더 많은 결과를 만들어내는 것이 아니라, 그러한 실험들이 유용한 질문에 답을 주느냐에 달려 있습니다.

Simulation provides an important checkpoint, but its role needs careful interpretation. An AI system’s plausible explanation does not establish that a circuit meets its requirements. Evaluating the proposed design through engineering tools introduces evidence beyond the model’s language output. However, a successful simulation remains conditional on the models, constraints, and test conditions supplied. Engineers still need to examine whether the evaluation represents the intended application.

시뮬레이션은 중요한 점검 지점이지만, 그 역할은 신중하게 해석될 필요가 있습니다. AI 시스템의 그럴듯한 설명이 회로가 요구사항을 충족한다는 것을 입증해 주지는 않습니다. 제안된 설계를 엔지니어링 도구를 통해 평가하는 것은 모델의 언어 출력물 이외의 증거를 도입하는 것입니다. 그러나 성공적인 시뮬레이션은 여전히 제공된 모델, 제약 조건, 그리고 테스트 조건에 종속됩니다. 엔지니어는 그 평가가 의도된 애플리케이션을 나타내고 있는지 여부를 여전히 검토해야 합니다.

Another implication concerns institutional knowledge. Experienced designers accumulate practical methods that may be difficult to transfer through documentation alone. Recording a workflow could preserve some of that procedural knowledge in a form colleagues can execute and adapt. Over time, reusable procedures could help teams maintain continuity when specialists change roles or support several projects.

또 다른 시사점은 조직 지식에 관한 것입니다. 숙련된 설계자들은 문서화만으로는 전달하기 어려운 실무적인 방법들을 축적합니다. 워크플로우를 기록하는 것은 동료들이 실행하고 적응할 수 있는 형태로 그러한 절차적 지식의 일부를 보존할 수 있습니다. 시간이 지나면서 재사용 가능한 절차들은 전문가들이 역할을 바꾸거나 여러 프로젝트를 지원할 때 팀이 연속성을 유지하는 데 도움을 줄 수 있습니다.

Keysight’s approach also builds on an existing automation foundation. Its earlier Python automation materials describe using APIs for enterprise workflows, external optimization, and AI applications. In December 2025, the company announced ADS Chat and Copilot assistants for guidance and command execution. Viewed against that background, the latest announcement suggests a progression toward agents coordinating broader engineering tasks.

키사이트의 접근 방식은 기존의 자동화 기반 위에도 구축되어 있습니다. 이전의 파이썬 자동화 자료들은 엔터프라이즈 워크플로우, 외부 최적화, 그리고 AI 애플리케이션을 위한 API 사용을 설명하고 있습니다. 2025년 12월, 이 회사는 안내 및 명령 실행을 위한 ADS 챗(ADS Chat)과 코파일럿(Copilot) 어시스턴트를 발표했습니다. 이러한 배경에 비추어 볼 때, 이번 최신 발표는 에이전트가 더 광범위한 엔지니어링 작업을 조율하는 방향으로의 진전을 시사합니다.

The open connection to customers’ chosen AI systems could also influence adoption. The MCP servers work with the AI assistants and LLMs organizations already use, and with tools from multiple vendors in the same workflow. Organizations may want engineering tools to fit their existing AI arrangements and workflows. An interoperable interface could make experimentation easier, although teams would still need to establish appropriate access, protect proprietary designs, and track automated changes.

고객이 선택한 AI 시스템과의 개방형 연결 역시 채택에 영향을 미칠 수 있습니다. MCP 서버는 조직이 이미 사용하고 있는 AI 어시스턴트 및 LLM과 연동되며, 동일한 워크플로우 내에서 여러 공급업체의 도구들과도 함께 작동합니다. 조직은 엔지니어링 도구가 자신들의 기존 AI 배치 및 워크플로우에 맞추어지기를 원할 수 있습니다. 상호 운용 가능한 인터페이스는 실험을 더 쉽게 만들 수 있지만, 팀들은 여전히 적절한 접근 권한을 설정하고, 독자적인 설계를 보호하며, 자동화된 변경 사항을 추적해야 할 필요가 있습니다.

Bottom line: For engineering leaders, the practical opportunity is to test bounded workflows with clear success criteria: time saved, useful alternatives explored, reproducibility, and review effort. If those trials succeed, agentic AI could become a valuable extension of the design team, helping engineers turn more ideas into evaluated options while retaining responsibility for the decisions that ultimately shape hardware. That is where its lasting engineering value will emerge: in better decisions supported by repeatable, inspectable work.

요약하자면: 엔지니어링 리더들에게 실무적인 기회는 명확한 성공 기준(절약된 시간, 탐색된 유용한 대안, 재현성, 그리고 검토 노력)을 가지고 제한된(bounded) 워크플로우를 테스트하는 것입니다. 만약 그러한 시험들이 성공한다면, 에이전틱 AI는 설계 팀의 가치 있는 확장이 되어 엔지니어들이 더 많은 아이디어를 평가된 옵션으로 전환할 수 있도록 돕는 동시에, 궁극적으로 하드웨어를 형성하는 결정에 대한 책임을 유지할 수 있게 해줄 것입니다. 바로 거기서 그 지속적인 엔지니어링 가치가 나타날 것입니다. 즉, 재현 가능하고 검토 가능한 작업이 뒷받침하는 더 나은 결정 말입니다.