浙大实现芯片设计自动化 智能体驱动EDA全流程闭环

从“会写Tcl脚本”到“能真正推进设计优化流程”，大模型正以Agent的形态，第一次深度嵌入真实的EDA工具链。

大模型进入工程研发领域已是大势所趋。然而在电子设计自动化（EDA）这个硬核战场，真正的挑战从来不是“生成一段脚本代码”，而是如何让模型稳定接入纷繁复杂的工具环境，持续调用底层能力，准确理解分析结果，并据此自主决策，推动优化流程一步步向前。

行业真正呼唤的，不是一个“会聊天的脚本助手”，而是一个能够围绕既定目标，持续进行分析、执行、纠偏和迭代的智能体——一个真正的EDA Agent。

近期，浙江大学集成电路学院卓成团队的研究，将这一构想推进到了系统实践层面。他们构建了OpenClaw与FluxEDA的联合架构：前者作为大模型Agent的“大脑”与编排层，后者则充当面向真实EDA shell的统一“神经系统”与执行底座。这套系统成功打通了从技能封装、标准化协议调用到端到端优化闭环的关键链路。

目前，该系统已能稳定接入时序分析、逻辑综合、仿真验证和物理实现等典型EDA工具，并在布线后自动工程变更（Post P&R ECO）、标准单元库子库优化等实际任务中，完成了连续的分析与优化闭环。

一句话概括：EDA领域，正从“AI辅助写命令”的初级阶段，迈入“Agent自主推进流程”的深水区。

为什么是这支团队率先破局？

这背后并非一支仅仅追逐“LLM+脚本生成”热点的团队。浙江大学集成电路学院卓成团队长期深耕于电子设计自动化（EDA）、AI for EDA、设计技术协同优化（DTCO）以及集成电路智能制造等核心领域，底蕴深厚。

团队曾在EDA国际顶级会议ICCAD上斩获最佳论文奖，实现了中国内地高校在该奖项上零的突破。更为关键的是，其研究拥有完整、真实的产业级支撑平台。依托吴汉明院士牵头的全国唯一12英寸CMOS集成电路产教融合创新平台，许多研究得以超越基准测试或实验室演示，直接置于真实工艺、中试乃至流片链路中进行闭环验证。

正是基于这些扎实的产业场景，团队前期已成功推出FabGPT等代表性成果，探索了多模态大模型在晶圆缺陷检测、根因分析及工艺知识问答中的深度应用。如果说FabGPT展现了团队在AI赋能制造端的积累，那么OpenClaw与FluxEDA，则标志着其前沿探索进一步延伸至AI赋能EDA的底层智能执行基础设施与闭环优化层面。这是一条扎根真实产线、面向智能EDA未来、不断向前推进的硬核技术路线。

EDA为何亟需一个Agent底座？

过去几年，“LLM+EDA”的相关工作层出不穷，但多数仍停留在三个层面：生成Tcl/Python脚本；构建一个问答式的EDA助手；在特定基准测试上完成局部优化演示。

这些工作有其价值，但距离真实的工业级流程仍有明显差距。因为真实的数字芯片设计流程，绝非一次性的命令调用，而是一个跨越多种工具、多个步骤、依赖复杂上下文的持续执行与反馈闭环。

现实中的痛点非常直接：工具入口分散，Tcl、Python、Shell脚本交织；接口不统一，能力边界模糊；运行状态难以维护，长上下文持续跟踪困难；工具环境极其复杂，直接暴露给大模型操作风险极高。

这也正是“让模型写脚本”并不等同于“让模型做EDA”的根本原因。

图1：FluxEDA带来的范式转变

OpenClaw + FluxEDA：为EDA Agent装配“大脑”与“神经系统”

针对上述核心挑战，团队提出了OpenClaw与FluxEDA的联合架构设计：

OpenClaw扮演“大脑”角色，负责基于技能（Skills）组织流程、维持全局上下文、进行任务编排与策略决策。FluxEDA则如同“神经系统”，负责将真实的EDA工具链，转化为Agent可以稳定调用、可发现能力、可持续运行的执行环境。

FluxEDA并非简单“封装一层API”。它打通了从TCL网关、Socket RPC协议、Python/C++ SDK、命令行接口到模型上下文协议（MCP）服务器的完整链路，将散落在不同Shell中的工具能力，整理成结构化、可注册、可调用的原子API。这使得上层Agent能够通过统一的接口，持续驱动真实的工具流程。

它更关键地解决了一个现实安全问题：如何让大模型安全、可控地操作真实的EDA工具？

FluxEDA并不直接向模型暴露原始的EDA Shell，而是通过MCP与Skill机制，对可调用能力进行显式约束与声明。模型只能调用预先定义好的原子接口，从而在真实工具与Agent之间建立了一层可靠的“能力沙箱”。

这带来了双重收益：既保证了流程的稳定运行，降低了直接操作复杂工具带来的风险；又将复杂的EDA上下文“关进笼子”，节省了宝贵的大模型上下文窗口，让模型能更聚焦于高层的策略规划与优化决策本身。

图2：FluxEDA系统框架图

图3：FluxEDA+OpenClaw——大模型“自主接管”真实芯片设计和优化迭代流程

实战检验一：Post P&R自动化ECO

在真实的布线后时序分析流程中，由FluxEDA驱动的Agent已经能够完成一整套连续操作：读取设计、设置传播时钟和案例分析、生成基线时序报告、抽取建立/保持时间的关键路径，并判断问题成因与可能的修复方向。

真正值得关注的，并非它“调用了几个命令”，而是它已经形成了围绕真实Post-P&R时序问题的连续分析、决策与修复闭环。

根据实验结果显示，Agent在迭代优化过程中展现出了清晰的“战术意识”：优先集中火力修复建立时间违例；当修复收益趋于平台期时，能及时止损，转换战场；随后再转入保持时间违例的清理；最终在保持核心时序收益的同时，完成设计收尾。

最终成果相当亮眼：建立时间总负松弛（TNS）从-37.36提升至-34.78；保持时间总保持松弛（THS）从-1.329改善为0.000；保持时间违例路径从4条降为0条。

这意味着，Agent已经不止于“能看报告”，而是开始具备围绕真实后端ECO任务进行连续判断和自主修复推进的能力。

图4：FluxEDA驱动的自动P&R后ECO修复

实战检验二：标准单元库种类直降76%

如果说自动化ECO展示了Agent的“连续修复能力”，那么标准单元库子库优化案例，则凸显了其“结构洞察能力”。

在工艺与设计早期，工程师常需预先定义标准单元库的规格。一个非常实际的问题是：能否针对某个具体电路，裁剪出一个极简的子库，在保证面积和性能尽量接近全库结果的前提下，将单元种类（Cell Family）数量降到最低？

在此案例中，FluxEDA配合综合与时序分析工具，驱动Agent从最小化子库出发，以优化面积为目标进行探索；随后再从面积较优的候选方案出发，继续进行时序恢复与方案比较。

关键在于，Agent并非盲目堆叠单元或机械试错。它能够读取PrimeTime的关键路径报告，并基于路径结构识别设计中的关键薄弱点，例如前端驱动能力偏弱、局部时序闭合能力不足，以及部分低频单元的冗余，进而进行有针对性的单元补强与剪枝。

最终交付的结果颇具冲击力：相比全库基线，网表使用的单元种类从128种大幅减少至30种，种类压缩幅度高达76%；总面积从14651缩减至13659；最差负松弛（WNS）仅出现轻微折损。

这说明，Agent已经不止于“会跑综合”，而是开始具备面向设计结构进行深度分析和智能搜索的能力。

图5：FluxEDA驱动的自动标准单元库子库优化

范式转变：这件事真正重要在哪？

当前讨论大模型进入EDA，最容易陷入的误区是：将“会写命令”误认为“会做流程”。

但对EDA而言，真正稀缺的能力从来不是单点命令的生成，而是：对真实工具环境的稳定接入与操控；对分析结果的持续理解与解读；对复杂流程的跨步骤编排与调度；对优化方向的动态评估与调整；对任务目标的连续推进与达成。

FluxEDA的意义，恰恰在于它将这些原本割裂的环节，组织成了一个统一的系统层。这让上层的Agent无需再直接面对分散的Shell和杂乱的工具入口，而是能够在Skills和MCP的支撑下，围绕完整的任务目标进行持续、稳定的执行。

这意味着，端到端的智能EDA不再仅仅是停留在纸面上的愿景。至少在若干代表性的分析与优化任务上，大模型Agent已经开始真正进入真实工具链，并承担起主要的执行闭环职责。

从“会写脚本”到“能真正执行流程”

FluxEDA并非又一个泛泛而谈的“AI+EDA”概念包装，而是一套已经打通关键系统链路、并在真实案例中得到验证的Agent执行底座。

结合OpenClaw，这套系统完成了三件关键事情：用Skills组织EDA流程；用MCP打通标准化调用；用FluxEDA承接真实工具执行。它所推动的，不只是一次接口改造，更是一种工作流范式的根本性转变：从“能写脚本”，走向“能真正执行流程”；从“单点能力”，走向“系统能力”；从“随机试错”，走向“结构洞察驱动的自动化优化”。

面向未来，这类Agentic EDA工作流有望进一步引入跨域协同与物理感知的高阶探索能力，持续推动设计-制造一体化技术的发展。

对于集成电路行业而言，一个更值得期待的时代或许正在到来：大模型不再只是坐在工具链外围“出谋划策”，而是开始真正走进芯片设计现场，成为流程中不可或缺的自主执行者。

结语

真正的分水岭，从来不是模型能不能“说得”更像工程师，而是它能不能真正“做”工程师在做的事。

现在，FluxEDA及其应用案例给出的答案已经相当明确：Agent进入真实的IC产业流程，不再只是想象，而是正在发生的现实。