哈佛、Anthropic 与 QuEra 的联合研究利用大语言模型发现量子电路，报告资源成本最高降低 9,100 倍。这一结果与其说是模型能力声明，不如说是一个案例研究：LLM agent 如何在结构化设计空间上充当搜索算子。
这一表述框架对 agent 工程很重要。量子电路合成具有定义明确的搜索空间、硬性约束和可评估的目标，这正是 agent 循环最易处理的场景：提出候选方案，用模拟器或成本模型对其打分，然后迭代。报告的 9,100 倍数字是搜索过程本身的资源差值，而非基准测试分数，因此可以直接与它所替代的经典或启发式基线的成本相比较。
现有报道未能确立的是：该倍数背后的精确基线、涉及的电路族与问题规模，以及该方法在已报告案例之外如何扩展。这些细节决定了该增益是本领域中 LLM 引导搜索的普遍特性，还是仅适用于所测试的配置。对于构建 agent 系统的团队而言，可迁移的模式是循环设计：受约束的表示、廉价的确定性评估器，以及一个执行搜索而非生成文本的 agent。