从数天压缩至分钟级，Agentic AI提速3D IC芯片调试

Agentic AI正在重塑半导体工程领域。行业的大部分关注点集中在AI生成寄存器传输级（RTL）代码、自动完成编码任务、提升验证覆盖率这些能力上。这些固然是重大进步，但只覆盖了工程工作流的一部分。

对众多工程团队而言，调试是开发流程中成本最高、最耗费时间的环节之一，工作范围涵盖覆盖率收敛、功能验证到形式化验证。随着设计复杂度不断提升，芯片一次流片成功变得愈发困难，有报告显示一次流片成功率不足15%。调试工作在整体验证工作量中占比很高，过往研究估算这部分工作约占总工作量的一半。进入3D IC时代，没有理由认为这项负担会有所减轻。

3D IC内部集成数十亿晶体管、异构小芯片、多个时钟域、复杂的存储层级，以及高度复杂的软硬件交互，根因分析已经成为芯片开发中主要的产能瓶颈之一，调试方法也必须随之迭代演进。

调试为何难以规模化？

自动化调试是实现端到端自主设计流程的关键一步。但为什么搭建一套可以处理大规模调试问题的系统如此困难？

第一，随着设计复杂度提升，故障表象和根本原因之间的关联会变得越来越弱。工程师需要顺着设计层级深度追踪，涉及长流水线、相互关联的波形以及多重故障。一次问题排查，往往需要查阅仿真日志、波形、断言、规格文档、设计资料、RTL代码、提交记录以及验证报告。没有哪一份资料可以还原完整问题全貌，待验证的假设空间会呈指数级扩张。工程师只能手动串联各类线索，提出并验证故障的可能诱因。

很多企业会沿用数十年的知识产权（IP），在原有架构上叠加新功能。我们观测到的故障，其根源可能出现在几百甚至几千个时钟周期之前，这就导致人工排查效率低下，高度依赖工程师的经验。

图1：ChipAgents解决的一个真实故障案例 某匿名客户分享的案例，充分体现根因分析的错综复杂。

案例为一套双向串行接口，包含主机端（Manager）与从机端（Subordinate），测试用例在数据传输中途触发复位。控制信号与数据复用同一通道，仅依靠位置区分二者。

在数据载荷传输过程中，主机恰好发送了一个与帧起始码完全一致的数据。从机把该数值误判为新帧的起始，由此产生的不匹配问题不断传导，在仿真运行后期才暴露出故障。

要复现该缺陷，需要多个小概率事件同时发生：传输过程中发生复位、载荷数据恰好和起始码相同、主机的传输数据超出容错窗口期。这类故障几乎无法依靠人工检查发现。

第二个难点来自故障的数量。回归测试中经常一次性爆出大量bug，多个仿真用例同时报错。一次回归测试会产出大量不同严重等级的故障，其中不少故障都需要深度追踪才能定位。

以上因素带来几项具体工程难题：

1. bug数量不可预测：修复一个bug，往往会暴露出其他问题。单次回归测试出现的顶层故障数量会超出预期。处理这种不确定性，需要灵活调度，而非固化的流水线。

2. 数据量成倍膨胀：单次排查就需要梳理日志、波形、规格文档。放到回归测试场景，数据规模会提升数个数量级：数百个仿真用例，往往还要配置多个随机种子，每一轮仿真都会产出TB级日志，还可能生成专属波形文件。

3. 效率约束：真正的设计难点，是尽可能减少需要重新运行的仿真次数。给仿真器套一层AI智能体，反复执行 “运行‑报错‑再运行‑再报错” 在技术上不难实现，但这种试错模式成本会快速飙升。

面向产业级规模的调试

ChipAgents搭建了一套多智能体系统，用以实现企业级自主调试。

图2：ChipAgents根因分析（RCA）分级处理方案四大核心模块

该平台首先执行智能故障分类，合适场景下使用确定性模式匹配；第二步尽力归并那些表象不同、但大概率根因一致的故障。之后执行定向波形抓取，筛选出最少数量的参考仿真用例，就足以解释全部故障，仅重跑这部分仿真。

市面上多数自动化调试工具仅做到故障分类和参考用例筛选。ChipAgents把工作流进一步延伸：拿到参考仿真波形之后，系统自动开展根因分析调度，自主提出修复方案并完成验证。该平台可以嵌入CI/CD持续集成流程。工程师不再需要面对夜间回归测试失败，从零开始排查；系统会优先处理可解决的问题，针对尚未解决的问题输出报告。

工程师不必耗费数天时间搜集证据，可直接拿到附带技术逻辑、按优先级排序的故障假设，把精力放在验证和解决问题，而非手动整理数据。

自主根因分析实际案例：耗时从数天压缩至数分钟

一家深耕3D IC与晶圆对晶圆（WoW）技术的ChipAgents客户，曾遇到复杂的存储控制器故障，很难看透底层失效机理。传统调试模式需要工程师手动整合多份验证数据源交叉比对。

借助ChipAgents平台，该团队把单次根因分析周期从数天缩短至15‑60分钟，定位真实故障的命中率达到100%，规避了预估1‑2周的项目延期。其中包含一处隐藏的三周期竞争冒险，依靠传统人工分析极难定位。

3D IC下一个产能提升突破口

随着设计复杂度持续走高，实现Agentic AI调试规模化，令牌使用效率愈发关键。面向半导体领域的专用智能体，既能改善成本‑性能，也可以提升根因分析的准确度。

图3：纵轴为相对Claude Code（7月版本）的准确率提升百分点，以Claude Code准确率作为基准零点。内部基准测试表明，ChipAgents可以用远低于Claude Code、Claude Code动态工作流的成本，实现相当的准确率（见绿色线条）；红色线条说明，在同等令牌消耗的条件下，ChipAgents根因分析方案能够实现显著更高的准确率。

最终效果是单位令牌产出更高的工程成果，为AI落地到半导体生产全流程提供更具备可扩展性的路径。我们认为，依托深厚行业领域知识实现的成本优势，对推动Agentic AI从单点工具走向完整生产流程至关重要。