ZhuLong: agente de IA para APIs não documentadas em EDA

O que aconteceu

Um artigo submetido ao arXiv em 8 de agosto de 2026 (arXiv:2608.07925, Computer Science > Artificial Intelligence) apresenta o ZhuLong, um agente de codificação baseado em LLM para PyAether e SKILL, linguagens de script do ambiente de EDA comercial Empyrean Aether. O sistema combina recuperação de APIs, inspeção de documentação e execução em sandbox por meio de ferramentas MCP unificadas, além de um mecanismo offline de auto-exploração que infere comportamentos não documentados por experimentação contrafactual.

No benchmark EDA-Eval-PyAether — 158 tarefas reais com execução baseada em asserções — o sistema completo alcançou 78,5% de Pass@1 no ambiente comercial da Empyrean, contra 23,6% de um baseline de LLM puro (arXiv). Os estudos de ablação apontam a execução em sandbox como o fator dominante: sem ela, o desempenho cai 41,2 pontos percentuais. A auto-exploração offline soma 3,2 pontos percentuais de precisão e reduz em 22,1% as chamadas de ferramentas por tarefa. Em 20 tarefas interativas com layouts e schematics não salvos, o agente obteve 60,0% de Pass@1 em PyAether e 50,0% em SKILL.

Contexto

O trabalho parte de um gargalo conhecido: scripts de EDA dependem de APIs específicas de cada ferramenta, muitas vezes sem documentação. Isso forma uma cauda longa de conhecimento que os LLMs não cobrem, porque essas funções não estão bem representadas nos dados de treinamento. A proposta do ZhuLong é tratar o problema como exploração ativa: o agente recupera APIs candidatas, inspeciona a documentação disponível e executa hipóteses em sandbox até descobrir o comportamento real das funções — inclusive por experimentos contrafactuais, em que varia o uso da API e observa o resultado.

Por que importa

Para equipes de design de chips, scripts são parte crítica do fluxo e erros custam horas de engenharia. A combinação de recuperação, inspeção de documentação e execução em sandbox aponta um caminho para reduzir a dependência de especificações oficiais. O padrão também interessa a outros setores com ferramentas proprietárias ou legadas mal documentadas. No Brasil, onde o ecossistema de semicondutores é pequeno e o custo de licenças de EDA é alto, agentes que aumentam a produtividade em fluxos de design podem ser relevantes para grupos de pesquisa e startups que usam essas ferramentas.

Impacto

O resultado mais forte é a evidência de que execução vale mais que o conhecimento enciclopédico do modelo: remover a sandbox derruba o desempenho em 41,2 pontos percentuais. No médio prazo, a redução de 22,1% nas chamadas de ferramentas por tarefa indica que a auto-exploração offline também ataca custo e latência — dois fatores que pesam na adoção de agentes de IA em ambientes corporativos.

O que muda

A novidade está no método: o agente aprende o comportamento de APIs não documentadas por experimentação, em vez de depender de exemplos no treinamento. O sistema constrói conhecimento executando código em ambiente isolado, sem exigir documentação oficial. Isso muda a expectativa sobre o uso de IA em ferramentas fechadas, sem acesso ao código-fonte.

O que vem agora

O artigo não anuncia próximos passos. Pelo desenho da pesquisa, o caminho natural seria estender a auto-exploração offline a outras ferramentas de EDA e validar o agente em fluxos de design completos, não apenas em tarefas isoladas — mas isso é uma leitura editorial, já que os autores não detalharam planos.

Fontes

• arXiv (cs.AI) — ZhuLong: Execution-Grounded LLM Agent for EDA Scripting with Offline API Self-Exploration — https://arxiv.org/abs/2608.07925