ChipMEM：让 EDA Agent 的技能先过验收

EDA Agent 这次改对了 RTL，下次能少走多少弯路？保存成功对话不难，总结一条修复策略也不难。难的是换了设计、工具环境或错误类型，旧经验还管用。

arXiv 标注 9 月 22 日提交的 ChipMEM 论文，把这个问题落到了记忆入库规则上：最终任务通过领域工具验收，执行轨迹才有资格沉淀为程序性技能；每次完成的工具调用则留下成功或失败记录，帮助后续重试和恢复。

两类记忆各管一件事。一类回答“这个任务能借鉴哪种做法”，另一类回答“眼前这次失败，接下来该怎样处理”。它们都借助工具结果，但入库时机和证据强度不同。

作者在 RTL 优化和 testbench 生成评测中报告了改善。值得拆解的是经验如何入库，以及跨任务效果如何验收。所有数字均为作者 benchmark，不能外推为工业签核、流片或客户生产部署。

技能入库，先把验收对象说清

ChipMEM 在原有 Agent 与工具之间加入适配器，提供检索出的技能和恢复建议，记录行动轨迹，并把最终产物交给领域验收程序。底层模型继续负责规划与修改，验收程序负责给出通过或失败结论。记忆层积累的是外部记录，不更新底层模型权重。

程序性记忆保存技能文件、任务与来源元数据、验证结果。最终任务失败或结果无效，就不新增这类技能。统计记忆仍会记录已完成工具调用的结果，所以失败经验并未全部被丢弃。

这里最容易误读的是“工具验证通过”。论文的 PPA 优化验收要求综合成功、功能等价，以及经审计的正向改善。CVDP（Verilog 设计与验证任务基准）的 testbench 任务则要通过隐藏仿真、coverage 和 mutation 检查，后者用来检查测试能否识别注入的设计变异。

因此，命令正常退出、综合跑完、功能等价和优化有效，分别对应不同结论。原封不动保留 RTL 可能仍然等价，却没有改善面积。若把所有绿色回执都归为“成功技能”，技能库就可能积累大量能运行却没有完成目标的步骤。

这套门禁验证的是源任务的最终产物。模型从轨迹中总结出的技能，仍可能省略重要条件；它到另一个设计上是否有效，还要由新任务验收。一次成功给经验提供来源，不能给未来所有使用场景提供担保。

检索相似设计，仍要重新跑工具

新任务到来时，ChipMEM 用预定义任务材料建立向量索引。RTL 优化使用顶层 RTL 文件，CVDP 使用任务定义文件；生成文件、测试和评分产物等不进入这个任务表示。实验最多检索两个技能，相似度阈值为 0.6。

检索只给模型少量相关经验。系统寻找与当前任务相近的历史经验，不把整个技能库塞给模型。相似度只决定哪些经验值得参考，最终设计结果仍要经过领域工具检查。

论文公开的技能摘要也揭示了记忆究竟可能保存什么。一条 FIFO 技能要求使用正确顶层、完整层次、所有时钟及有效 CDC 约束，再解释 PPA；一条 SRAM 控制器技能保留包文件、源文件顺序、包含路径和宏定义，防止局部替代文件造成层次不完整。

这几条经验先解决一个基础问题：测的到底是不是完整的目标电路。漏掉模块或使用错误顶层，得到的面积数字可能很好看，却对应了不同电路。还有一条优先编码器技能记录：某些枚举或阈值改写增加了映射面积或功耗，应保留综合工具更适合处理的紧凑结构。

同一个记忆接口，装进了流程知识、编译依赖和 RTL 变换。衡量收益时，仍要分别看。帮助建立可信综合基线，不等于已经改善 PPA；防止错误改写，也未必体现为更多面积获胜任务。

失败记录，决定下一步值不值得重试

程序性技能通常在任务结束后沉淀，统计记忆则随每次已完成的工具调用更新。ChipMEM 按命令类型、前一次错误类别、此前调用次数逐层估计成功可能性，使用分层 Beta 估计，让稀疏的细分记录借用更广泛的历史证据。

论文列出的错误类别包括语法错误、未知模块、缺少库文件和时序失败。重复同类调用失败后，若重试成功概率估计低于 0.20，恢复模型就按历史结果为候选策略排序，再交给 LLM 生成有限的恢复计划。排序属于建议，不自动成为正确答案。

统计记忆试图减少盲目重复。缺少库文件时，继续原样跑综合，与先查日志、检查依赖，具有不同的处理意义。但过去某策略成功较多，只能提供优先级依据，不能证明它就是当前错误的根因修复。

工程试点还要考虑统计记录的适用范围。工具版本、库文件、运行环境变化后，旧概率可能失去参考价值。按环境区分记录、定期检查失效和保留人工接管点，应当成为导入标准；这些是企业部署需要补齐的条件，并非论文已经证明的能力。

三组数字，分别回答三个问题

先看功能等价。RTLRewriter-Bench（RTL 改写评测集）的 54 个计分设计中，启用 ChipMEM 的等价通过结果为 39/54，关闭记忆为 35/54。论文说明，这个计数包含未改动而被接受为平凡等价的输出。因此，多四个等价通过结果不能直接写成多四个优化成功设计。

再看面积改善。49 个短任务的平均面积改善为 8.69% 对 5.66%，失败、无效、未证明、未改动或没有改善的结果计零；面积获胜任务数为 15/49 对 12/49。作者在 RTL-OPT（RTL 优化评测集）和 RTLRewriter 的第一阶段只测映射面积，没有把未测的功耗或性能作为结果报告。

旧经验能否帮上新任务，要看另一组设置。作者先用 20 个 CVDP 训练任务形成经验，再在 20 个留出任务上使用冻结、只读的程序性技能库。总体通过为 20/20 对 18/20；激励生成两组都为 10/10，checker 生成从 8/10 提高到 10/10。

冻结库后的新任务评估比反复修改同一道题更接近“旧经验帮助新任务”的问题。但每种设置只评测一次，增量集中在两个 checker 任务，样本仍小。附录中的训练聚合还显示，激励生成由 49/50 变成 48/50。记忆的作用有方向差异，不能概括为所有任务全面提升。

OpenTitan 的十设计评估又拆开了等价与完整验收。两组等价通过均为 6/10，严格 PPA 门禁通过由 1/10 提高到 4/10；该口径采用每设计五次尝试中的最佳结果。每模式 50 个会话中，工具调用均值由 27.4 降到 23.3，工具时间由 420.2 秒降到 369.8 秒。

这组实验的工具时间下降约 12.0%。它不包括整套芯片项目的人工 review、回归、物理实现与签核工时，不能换算成研发周期缩短 12.0%。论文的五设计联合记忆消融还加载了此前同设计序列积累的状态，也应与冻结库的新任务迁移评估分开阅读。

企业导入，验收三件事

第一件是准入。团队要说清楚哪种结果能够形成技能，保留原始输入、执行轨迹、工具版本、验收条件和最终产物。技能文本写得通顺，不能替代这些来源证据。企业知识库和研发流程编排也应接在这里，让经验检索带回验收记录，并让工具运行结果回到知识资产的更新流程。

第二件是匹配。相似 RTL 检索到了什么，为什么适合当前设计，使用后是否重新验证？遇到不同 IP、库文件或约束环境时，应允许拒绝引用旧技能，并让工程师能够追溯、撤销与更新记录。

第三件是迁移。固定一份技能库，在未参与经验积累的任务上做开启与关闭记忆的对照，并报告失败、退化和人工接管。工具调用次数、通过率、PPA 与项目总成本各有用途，不能用一个漂亮指标代替其他验收项。

一线工程师需要看到技能的前提和原始日志，CAD 团队需要维护工具与环境边界，研发负责人需要计算存储、检索、治理和 review 的额外成本。工具调用少了，收益账仍要由这三类角色分别核算。

ChipMEM 把 EDA Agent 的经验沉淀推进到了可检查的任务结果上，也把失败记录用于后续行动选择。这条路线值得继续验证：让技能带着来源和条件进入库，再用新任务衡量它的价值。

判断下一套声称“会积累经验”的系统，可以直接要求三份证据：源任务验收记录、当前任务匹配依据、冻结技能库后的新任务对照。缺哪一份，就先把相应能力留在待验证状态。设计正确性与 sign-off 责任，仍由对应工程流程和负责的工程师承担。

作者：麒芯

免责声明：本文依据 ChipMEM 论文 v1 作技术与行业分析。评测数字均为作者报告，本轮未独立复现；不代表工业签核、流片或客户生产部署。工程导入建议不等于论文已实现能力。

参考资料：

1. arXiv：《ChipMEM: Verification-Grounded Memory for EDA Agents》，v1，2026-09-22。