新思Autopilot，怎样验收EDA长任务？

近日，Synopsys宣布 AgentEngineer 产品组合和 Autopilot 平台，覆盖验证、系统验证、实现、模拟设计、制造及仿真分析。它把 AI 的工作范围推向一项更难的任务：面对多轮工具结果，持续决定下一步怎样推进工程目标。

公司称已有 50 多项合作正在开展，产品计划于 2026 年底提供。公告中，富士通报告 RTL 代码生成生产力提升 10%—30%。客户已经参与到产品推进中。普遍商用和完整芯片项目的收益，还要分别拿出证据。

理解这次发布，可以从目标、状态与证据入手。目标决定什么算完成，状态记录做到哪一步，证据说明结果是否有效。三者接得住，智能体才能跨越一次回答，承担持续推进的工程任务。

跑得久，还要守得住目标

新思在架构博客中区分了 long-running 和 long-horizon。前者强调持续运行，比如监控夜间回归；后者强调目标复杂度，需要在多轮推理与执行中保持上下文、评价结果并调整计划。本文将后者称为长周期规划智能体，重点在决策跨度。

一项回归监控任务可以运行整夜，发现失败就通知工程师。要推进验证收敛，系统还得判断失败来自设计、测试环境还是规格理解，决定调用哪个任务，再检查修改是否引入新问题。持续时间相近，承担的工程责任可能差很多。

Autopilot 对应的是一套分层安排。上层 AgentEngineer 围绕领域目标制定计划、协调任务；任务智能体处理输入输出明确的工作；底层 EDA 与仿真分析引擎执行计算和检查。工具报告提供工程反馈，上层据此选择后续动作。工具引擎本身不负责设定产品目标。

工程师可以从任务层接入。任务智能体可以被上层调度，也可由工程师直接调用。团队可以先开放一个可复查的任务，观察效果，再扩大工作范围，无须一次把整条设计流程的判断权交出去。

一次覆盖率收敛，藏着多少判断

官方博客用规格和 coverage 目标明确的验证流程解释这套结构：理解规格，生成 RTL 和 testbench，运行测试，分析覆盖率与失败，修改设计或测试，再重新执行。以下沿该流程做工程分析，不是额外公布的客户案例。

假设某项功能覆盖率尚未达到目标。系统首先需要对上设计版本、测试配置、覆盖率模型和运行记录。不同版本的结果混在一起，后续建议即使语言通顺，也可能修错对象。

随后要辨别缺口。某条路径可能缺少激励，也可能受当前配置限制而不可达；测试失败可能暴露 RTL 缺陷，也可能来自错误的 checker。几类问题对应不同动作。增加测试、调整验证环境、修改 RTL，需要各自的理由和授权。

执行后还要重跑并比较结果。coverage 上升只表示被定义的观测对象得到了更多覆盖，不能单独证明规格正确或设计没有缺陷。若系统通过删除难以覆盖的目标、放宽检查条件让指标改善，就必须解释变化并交给工程师判断。

什么时候停下来，同样需要工程判断。达到阈值后，还要确认检查范围、未关闭缺陷、豁免理由与项目要求。官方说明允许团队设置人工检查点，由人查看结果、验证决定或调整方向；检查频率可以随信任积累而变化。

结果交接也要跟着变化。过去工程师拿到一段建议，自己串起执行过程；现在要能拿到修改记录、工具结果、失败分支和未决项。少操作几次命令很容易感受到，能否放心接受结果，需要更完整的证据。

技能与记忆，必须跟着版本走

Autopilot 宣布提供可复用技能、持久记忆、遥测与治理，并将工程知识、工具和数据连接到任务中。公开材料解释了服务方向，没有披露记忆存储格式、失效算法或所有技能的实现细节。

工程记忆的价值在于保留决策依据。某个修改为什么被接受，哪个方案已经失败，失败发生在哪一版输入上，都可能影响下一轮选择。聊天历史只记录说过什么，工程任务还要确认这些记录现在是否适用。

比如，库、RTL 或约束更新之后，上轮结论可能需要重验。这是平台导入时应测试的场景，不能根据“持久记忆”四个字推定产品已经具备完善的失效管理。记得越多，如果缺少适用条件，越可能反复调用过时经验。

技能也应有边界。一项读取报告或发起回归的技能，需要明确工具版本、输入、权限、异常处理与输出。工程师认可的脚本经验，只有整理成可检查的执行规则，才适合被智能体反复调用。

新思的知识系列文章强调记录专家决策的理由，并维护变化的工程知识。企业已有的方法学和项目经验，因而会影响平台导入。企业需要沉淀哪些判断、怎样关联工程版本，也会影响同一平台在不同团队里的效果。围绕这类知识整理，IC 智能知识库可沉淀设计规范、IP 文档与项目经验；流程编排则负责把知识接到具体研发任务中。

10%—30%，先看分母是什么

富士通在公告中的反馈针对 RTL 代码生成生产力，具体涉及 SystemVerilog 断言、封装模块、参数化模块的生成，以及代码重构。它说明一些边界较清楚的代码工作已经出现客户报告的改善，不能被扩写成整个 SoC 项目周期缩短 10%—30%。

公告还列出最高 50 倍的验证收敛加速、coverage 提高 20%、token 效率提升 2 倍等结果。公开资料没有给出完整任务集、样本量和统一基线，也没有证明这些数字来自同一个实验。把几个结果相乘，会制造不存在的总收益。

评估收益时，需要把几本账分开。人工工时衡量工程师少做了多少操作；质量指标衡量覆盖范围、设计结果和检查有效性；项目结果衡量从接收任务到接受交付究竟用了多久、花了多少资源。一个局部任务变快，可能仍受许可排队、仿真时间和人工复核限制。

客户反馈也各有范围。AheadComputing 谈的是实现、ECO 与 sign-off 流程中的人工工作和收敛；Intel 强调验证 debug 的合作；MediaTek 提到继续推进模拟混合信号平台。它们提供了具体应用线索，尚不足以拼成跨领域统一的量产成绩单。

“50 多项合作”尤其需要继续拆解。公开公告没有逐项给出评估、试点和生产使用的分布。对采购者，下一步有用的信息，是相近设计与相近工具环境下，能否得到可复查的对照结果。

平台开放后，接入责任落给谁

新思称平台支持商业、开源和微调模型，允许结合第三方智能体，并支持新思管理、客户管理的云端及本地基础设施。这给企业保留了部署选择，但不等于任意模型和工具接入后都能获得同样效果。

一线工程师关心的是建议是否可信、失败时能否接管。CAD 与流程团队要负责输入版本、作业调度、许可证和权限；研发负责人要看到总周期与返工；采购则需要确认计费、维护和退出成本。一次顺畅的演示，很难替这些岗位回答各自的问题。

权限和治理最终要落实到每次操作。哪些任务只读报告，哪些可以改代码，哪些可以改约束？权限越过边界时是否停止？人工接管后，系统是否保留完整状态？这些是建议的验收问题，公开公告尚不能回答每一项的产品行为。

运行成本也要在接入时计算。智能体可能尝试更多路径，模型调用、EDA 作业和算力消耗会随之变化。token 效率改善，只覆盖其中一个维度；减少 token，不能直接视为减少全部研发成本。

对厂商而言，平台价值可能积累在工具接口、可复用技能和工程上下文中。对客户而言，应该争取保留脚本、日志与设计产物的可导出性，并确认自身流程的迁移条件。开放架构的承诺，要通过具体接入与退出操作检验。

AgentEngineer 与 Autopilot 把一个具体问题摆到了 EDA 团队面前：当 AI 连续推进工程任务，谁来保持目标，怎样保存状态，凭什么接受结果？产品组合给出了分层架构，客户引述给出了局部收益线索，年末供应计划则留下了继续跟踪的时间点。

试点可以先限定一个输入明确、能重跑、能回退的任务。保持相同目标与检查要求，记录人工干预、失败重试、工具资源和返工，再比较交付质量、总时间与总成本。只统计调用成功或代码生成量，很难回答是否值得扩大授权。

接下来要看的是：遇到复杂反馈，平台能否继续做对下一步；做错之后，工程师能否清楚接管。目标守得住，状态对得上，证据查得到，长期自主执行才有机会成为日常研发能力。

作者：麒芯

本文依据截至 2026 年 10 月 6 日的公开资料撰写。产品能力与效率指标保留厂商及客户口径，工程分析不代表独立实测、签核或流片量产结果。

参考资料：

1. Synopsys：AgentEngineer 与 Autopilot 平台发布公告（2026-09-28）

2. Synopsys：长周期 AgentEngineer 与 Autopilot 架构说明

3. Synopsys：AgentEngineer 产品资料

4. Synopsys：Agentic AI 中的设计知识与经验管理（系列文章）

5. Synopsys：从执行到工程编排（系列文章）