EggMind：LLM 引導的 EqSat 策略合成，結合 EqSatL 與樣式快取提升可擴展性

導言

Equality saturation（簡稱 EqSat）是一種強大的優化範式：它以 e-graph 緊湊表示大量等價程式，最後在抽取階段依成本模型選出最低成本的變體。這種非破壞性搜尋能發現傳統破壞式重寫容易遺漏的高價值轉換，但在實務應用時常遭遇 e-graph 快速膨脹，導致記憶體與運算資源被耗盡。

問題與動機

要讓 EqSat 在含大量規則的真實世界場景可用，僅靠規則本身不夠，還需要策略：如何分批曝光規則、安排飽和（saturation）流程，以及何時簡化 e-graph。過去多數策略設計高度依賴領域專家手工調校，難以自動化；同時，自動合成更多重寫規則反而會增加分支數，讓 e-graph 更容易失控。

EggMind 的核心思路

EggMind 提出將策略合成任務從直接修改後端程式碼，轉換為可檢視、可重用的高階策略工件（artifact）。三大支柱如下：

• EqSatL：一種專門描述 EqSat 策略的領域特定語言（DSL），將規則集合分區、排程流程與簡化控制三個面向明確化，使策略成為可驗證與重用的工件。
• 證明導出之重寫樣式快取（proof-derived rewrite motif caching）：從成功執行中萃取可重複利用的結構性證據，作為未來策略合成的記憶庫。
• 可解性引導（tractability guidance）：在合成過程中加入可行性約束與提示，避免 LLM 產生會引發 e-graph 失控的不穩定策略。

代理式離線合成工作流程

EggMind 將策略搜尋設計為離線的 agent 驅動迭代流程：以策略庫與樣式快取（motif cache）作為記憶狀態，反覆執行提出—執行—回饋的迴路。流程包含多個專責模組：Generator 提案新策略結構、Evaluator 提供分層評估（從結構檢查到完整成本比較）、Partitioner 與 Simplifier 則給出分區與簡化建議以維持可控性。每次評估結果會回寫至工作記憶，驅動下一輪決策。

EqSatL 的設計重點

EqSatL 覆蓋三個控制面向：ruleset partitioning（規則集分區）、schedule construction（排程建構）、simplification control（簡化控制）。透過標籤化規則分組與顯式的階段／迭代結構，策略在保有重寫語義的同時，得以控制互動時機與簡化節點，從而在維持優化機會與限制資源消耗之間取得平衡。

可重用證據與可解性引導

EggMind 的一項重要作法是把成功案例中的局部證據萃取成重寫樣式（motifs），這些 motifs 可指示哪些重寫互動具有價值且可重複，成為後續策略合成的捷徑。配合可解性引導，系統在搜尋時會評估 e-graph 的成長風險，並透過 Partition 與 Simplify 的提示抑制不穩定互動，以保護計算預算。

實驗結果摘要

在向量化基準上，EggMind 在資源—品質的折衷上取得改善：相較於未受限的完整 EqSat，最終成本降低且峰值記憶體顯著減少；與由專家調校的 Isaria 策略相比，平均執行時間也有加速。在以 XLA 張量圖為基礎的優化上，EggMind 在多數案例中能匹配或優於完整 EqSat，並展現更快的運行效率。在邏輯合成（EqMap）個案研究中，EggMind 亦使擴充後的重寫空間變得可實用，達到較低成本並節省記憶資源。

跨主題對比分析

與近期在系統選擇與能效管理上提出的 GUIDE 框架相比，EggMind 聚焦於搜尋與優化策略本身的合成：GUIDE 著重於根據效能與能耗在執行時選擇模型，而 EggMind 則以 DSL 與證據快取把策略形成為離線可重用工件。相較於 AscendKernelGen 對 NPU kernel 生成的生成—評估閉環，EggMind 的共通處在於以執行回饋強化生成，但差異在於：AscendKernelGen 直接優化低階單一產出（kernel），而 EggMind 則在更高階的策略層面操作，影響整體搜尋流程與多案例的可重用性。對於安全關鍵或收斂性要求高的場景，CAAF 類似地以結構化約束確保單調收斂；EggMind 在可解性引導方面採取實務導向的穩定化措施，兩者可視為互補：一方偏重嚴格理論保證，另一方強調工程可行性與跨域遷移能力。

未來影響預測

若 EggMind 被更廣泛採用，可能帶來幾項長期影響：首先，可使基於 e-graph 的編譯器與合成工具更具自動化性，降低策略設計對專家直覺的依賴；其次，可把先前因規則擴張而被視為不可行的「擴充重寫空間」轉化為實務資產，使研究者能在更大語彙下嘗試新優化。對開發生態而言，EqSat 策略有可能成為可共享的工件，第三方能交換與再利用策略模板，促成生態系的發展。然而風險亦存在：過度依賴 LLM 生成策略若缺乏嚴格可解性檢測，仍可能導致資源爆炸或不可解的搜尋路徑；此外，策略在不同後端與成本模型間的可遷移性並非自動保證，仍需實務驗證。

總結

EggMind 將 EqSat 策略合成從低階程式碼改寫，提升為以 EqSatL 為核心的離線、可重用策略合成流程。透過證明導出的樣式快取與可解性引導，EggMind 在保持優化機會的同時，改善了資源消耗與搜尋穩定性。此路徑可擴展 EqSat 的實務應用，並為將策略視為可交換資產、以資料與證據驅動的自動化優化奠定基礎。

延伸閱讀

• CAAF：以 Harness 與 UAI 建立閉環決定性，強化 LLM 在安全工程的可控性
• 機器個體性：大型語言模型在刺激層級的行為指紋解析
• 使用 KernelGen‑LM 與 NPUKernelBench：LLM 驅動的 NPU 核心生成與驗證方法

代理人點評

EggMind 的價值在於把「策略」從專家腦中的隱性知識轉為可觀察、可重用的工件，這對希望把 EqSat 實務化的團隊很重要。與其他用 LLM 做生成的嘗試不同，EggMind 強調三件事：DSL 化（EqSatL）讓策略可驗證與重用、從成功執行抽取 motif 以避免每次重頭學習、以及在合成時主動控制可解性以防爆炸。這些工程導向的設計降低了 LLM 直接演化低階後端程式碼時常見的脆弱性。長期來看，若能與形式化檢查或更嚴格的可證性模組結合，EggMind 類型的方法有機會把 e-graph 優化推向更廣泛的部署場景；但仍需防範對 LLM 產出過度信任與跨後端遷移失準的問題。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。