AIAgent重塑SoC验证:从代码辅助到工程闭环
SoC 的复杂度，正在从单个模块延伸到整个系统。CPU、NPU、NoC、DMA、DDR 子系统和高速接口之间的交互，让验证团队不仅要回答“功能对不对”，还要判断“系统能否在真实负载下稳定、高效地运行”。
阅读规格、制定验证计划、搭建 UVM 环境、开发测试用例、运行回归，再从日志和波形中定位问题——这些工作既依赖专业判断，也包含大量重复操作。
LongCore AI 探索的方向，是让 AI Agent 在工程师审核与真实工具结果的约束下，参与这一完整流程。
从需求理解到验证规划，从工程资产生成到 EDA 工具执行，再到结果分析与复验，让每一步有输入、有证据、有明确的责任边界。
01｜从生成代码，走向组织验证流程
代码辅助工具通常围绕局部任务展开：接收需求，生成一段代码。SoC 验证还需要把设计意图、实现细节、验证计划、执行环境和结果连接起来。
LongCore AI 将复杂任务拆分为多个专业 Skill，逐步组织成可重复执行的工作流：
- 理解输入：分别提取规格文档（Spec）的要求与 RTL 的实现信息，形成保留来源的结构化表示（Design IR）。
- 识别差异：对照需求和实现，记录缺口、冲突及待确认项，由工程师判断如何处理。
- 规划与生成：基于已确认的输入，形成 Test Plan，并生成可审阅的验证环境、测试用例与相关脚本。
- 执行与反馈：调用仿真、回归等 EDA 工具，整理日志、波形和覆盖率结果，推动问题定位、修改与复验。
SoC 验证工作流示意：输入独立提取，冲突经人工确认后进入规划、执行与复验。
结构化信息的价值，是减少不同阶段反复理解同一项目的成本。它必须保留原始来源，不能把 Spec 与 RTL 混合成一份看似一致、却掩盖冲突的“答案”。
当需求与实现不一致时，Agent 应提出问题和证据，由工程师确认；RTL 本身不能替代设计意图。
02｜把重复劳动沉淀为可复用能力
SoC 验证中，有不少高频、规则明确的工作适合逐步自动化，例如仿真日志分析、回归结果统计、运行时间与内存统计、后仿相关文件处理，以及测试数据整理。
LongCore AI 希望把这些工作沉淀为四个层次：
Script → Skill → Workflow → Agent
脚本完成规则明确的处理；Skill 封装输入、执行步骤与检查方法；Workflow 连接多个环节；Agent 则根据目标与执行结果组织下一步任务。
在这一分工中，Agent 负责理解任务、提出计划和分析结果，脚本与 EDA 工具负责可检查的执行，工程师负责关键审核和最终验收。
在后仿处理、日志统计和数据整理等场景中，脚本化工作流可以减少人工查找、汇总与填表。具体效率收益仍需在相同任务范围、资源条件和质量要求下，用项目数据验证。
一次任务做得快，是局部收益；把方法变成下次可以复用、检查和改进的能力，才是持续积累。
03｜让部分系统性能问题更早暴露
除了功能验证，LongCore AI 也在探索 SoC Bus Performance Agent：在真实 IP 尚未全部就绪时，提前组织总线与存储访问场景的仿真。
基本思路是保留待验证的 NoC / Bus RTL，在互连侧使用 AXI VIP 或流量发生器，模拟 CPU、NPU、DMA 等发起端的访问行为。对于 PCIe 等接口，需依据其桥接后的片上访问行为建模，而不是把 AXI 流量等同于完整接口或 IP 功能。
场景可以从单发起端基线，逐步扩展到多发起端竞争和全并发压力测试。通过控制读写比例、突发长度、地址分布与未完成事务数量（Outstanding），观察不同负载下的带宽、延迟和争用情况。
AXI 支持突发传输及多个未完成事务等机制，因此流量配置应明确这些参数，而不能只给出一个笼统的“压力等级”。相关协议基础可参考 Arm AMBA AXI 官方说明。官方资料网址：https://www.arm.com/architecture/system-architectures/amba/amba-4
早期性能验证示意：用可控流量驱动真实互连 RTL，结论限定在所用流量与存储模型范围内。
性能结论必须与模型边界一起解释。若要讨论 DDR 子系统性能，应具备相应的控制器和时序模型，或明确采用了哪些简化假设。不能仅凭 AXI VIP 的仿真结果，就认定完整 SoC 或真实 DDR 系统已经达到性能目标。
Agent 在这里的作用，是自动组织配置、运行和结果整理，让部分问题有机会在互连 RTL 与模型就绪后更早暴露。后续仍需结合真实 IP、软件负载和完整系统集成进行验证。
04｜验证效率，也取决于工作如何被组织
传统流程中，工程师往往要亲自连接文档、计划、脚本、工具和结果。引入 Agent 后，其中一部分组织工作可以交给系统，但工程责任仍然需要明确。
工程师定义目标 → Agent 组织任务 → Script / EDA 工具执行 → 结果与证据归档 → 工程师审核 → 修改与复验。
这一变化带来的价值，可以从三个方向衡量：
- 减少重复劳动：降低环境配置、数据汇总和重复操作的人工负担。
- 复用验证经验：把方法沉淀为可维护的 Skill、数据结构、脚本与工作流。
- 前移问题发现：在输入、模型和工具条件具备时，让部分功能与性能问题更早进入验证流程。
评估效果时，除了生成速度，还应关注工具检查通过情况、人工返工量、回归与覆盖率问题的关闭进展，以及结论能否追溯和复现。
05｜让 Agent 进入工程，也让结果接受检验
AI Agent 更适合作为工程师与 EDA 工具之间的一层自动化协作能力。工程师定义目标、处理关键取舍并承担签核责任；Agent 组织任务、调用工具、分析反馈；质量检查和人工审核共同决定结果是否可以进入下一阶段。
未来，验证团队的能力不仅体现在能够投入多少人力，也体现在能够把多少专业经验转化为可复用、可验证的工程资产。
这也是 LongCore AI 正在探索的方向：
让 AI 不只帮助写代码，更能在证据与审核的约束下，参与芯片设计与验证流程。
LongCore AI可信、自进化的芯片研发 Agent 平台