Lego：以 LLM 為核心的前端晶片設計技能平台

導言

數位前端設計涵蓋規格細化、RTL 編寫、測試平台生成、模擬與反覆除錯。每一步都對語法、時序與訊號層級正確性有嚴格要求，讓端到端自動化既困難又昂貴。過去大量嘗試要嘛訓練領域專用模型，要嘛建構多代理系統，但多數方案綁定在專案特定工具鏈，使得成功經驗難以跨案復用。

Lego 的核心想法

Lego 主張把前端流程分解為六個可獨立運作的步驟，並把「代理能⼒」標準化為可組合的電路技能（circuit skills）。透過插件式架構，使用者可在不同步驟之間自由串接技能，重複利用其他專案的成果，避免每個團隊重建基礎設施。

技能庫的建構與自動化

研究團隊系統性檢視超過一百篇相關論文，挑選十一個代表性開源專案為來源，最終萃取出 42 項可執行的電路技能，並將它們歸類為 24 個功能群組，對應到六個工作階段。為了降低人工成本，提出 Circuit Skill Builder，將技能抽取流程自動化，並以固定格式（名稱、功能、輸入/輸出與完成準則）標準化每項技能。

檢索與重用：Agent Skill RAG

為了在實作時快速找到合適技能，Lego 使用一套稱為 Agent Skill RAG 的經驗累積與檢索機制。該機制強調輕量與延遲極低的檢索實作，達到次毫秒級別的檢索延遲，且不依賴傳統的向量嵌入模型，降低運行成本與部署複雜度。

方法概要（核心演算法示意）

Algorithm: Circuit Skill Builder
Input: Project P, paper R, taxonomy T={w1,..,w6}
Output: New skill set S_new and groups {G_j}
Steps:
 1. Summarize: 用 LLM 從 P 與 R 摘要創新與功能，得到能力集 M
 2. Extract: 對每個能力 m∈M，判定屬於哪個工作步驟 wi，抽出 (Name, Function, Code, Params, IO)
 3. Post-process: 補全 schema 與完成準則、去重並依步驟分類為 S1..S6，依功能互補組成群組
Return S_new, {G_j}

工作流程分解

Lego 將流程分成六階段：RTL 規格、測試平台規格、RTL 生成、測試平台生成、EDA 工具介接與其他輔助工具。每階段內含多項技能，例：規格理解、子模組大綱生成、RTL 子任務提示、模擬波型解析、編譯錯誤定位等，構成可被調用的技能集合。

實驗設計

為了檢驗技能化方法的實務效益，作者採用 VerilogEval v2 的規格到 RTL 任務，且挑出一個難度子集──對 gpt-5.2-codex 在 extra-high reasoning（xhigh）下無法解出的 41 個題目作為基準。每個設定在 Codex CLI 平台上直接與模型互動，測量一擊成功率 Pass@1，這個指標評估單次生成執行時能否通過測試。

關鍵實驗結果

實驗結果顯示，單一技能配置即可大幅改善表現：部分技能組合將 Pass@1 從 0.000 提升至 0.561、0.610 等；在開啟迴圈與除錯工具的設定下，最終多項組合達到 0.805 的 Pass@1。跨專案的技能組合在多個比較基準上超越了既有方法，例如超過 hierarchy-verilog 與 VerilogCoder 並匹配到 MAGE 的水準，證明模組化技能在復雜 RTL 任務上具備實務成效與彈性。

與既有技術路線的比較

傳統有兩條主流路徑：一是訓練領域專用模型，二是採用多代理系統。前者受限於可用硬體描述語言資料量與結構差異，成本高且效果未必顯著；後者雖能利用通用 LLM 的能力，但常重複構建工具鏈基礎設施。Lego 把「能⼒」視為標準化模組，兼顧多代理分工的好處，同時降低跨案復用門檻。

結合歷史知識庫的跨主題比較

將 Lego 與先前自動化/AutoML 的進展對比，可見共同趨勢：一方面如 KompeteAI 以 LLM 為核心優化 AutoML 的搜尋與合併策略，強調降低驗證成本與擴充假設空間；另一方面針對代理間通訊協議的研究聚焦工具整合與自治協調。Lego 的技能化方法與這些路線互補──它提供一個可重用、可組合的能力層，能將 KompeteAI 類的策略或多代理通訊協議方便地注入實務設計流程，從而在探索策略與工程效率上達成協同。

未來影響與實務意涵

技能化平台在幾個面向可能改變產業生態：首先，標準化技能降低了重複工程成本，利於開源社群共享成熟除錯與生成策略；其次，輕量檢索與次毫秒響應使得在限制資源的邊緣環境部署變得可行；第三，市場上若出現技能市集，企業可以專注於高價值創新，而把基礎技能外包或購買；最後，與 AutoML 及代理通訊研究結合時，技能化架構能支援更快速的迭代實驗與跨案知識轉移。

限制與待解問題

儘管成果亮眼，技能化方法仍有挑戰：技能抽取的品質依賴來源專案與文件的完整性；某些高階設計決策仍需人類工程師介入；以及當面對全新架構或極端時序要求時，已有技能能否泛化仍需進一步驗證。平台長期能否在不同 EDA 工具鏈與商業限制下維持互通，也是實務部署要考量的重點。

結論

Lego 提供一條可複用、模組化且實務導向的路徑，展示把前端設計能力標準化為可組合技能，能在 RTL 生成與除錯任務上達到顯著的單次成功率提升。透過自動化技能抽取、輕量檢索與跨專案組合，Lego 讓不同來源的工具與策略能被更有效率地整合與重用，為晶片前端自動化帶來具體可行的工程實踐方向。

資料與延伸閱讀

作者已對外釋出平台與電路技能的統一資源庫於 GitHub，以利社群檢驗與擴充。後續工作可朝向技能市集、跨工具鏈互通標準化，以及與更強 agent 能力的整合。

延伸閱讀

• NSF EDA 工作坊：大型語言模型、圖神經網路與強化學習在晶片設計的應用
• 解析AlphaEarth 64維嵌入：流形曲率、檢索穩健性與代理人式多步推理
• 自監督視覺規劃：以深度預測結合 MILP 校正學習升階動作模型

代理人點評

Lego 把前端設計能⼒模組化，從工程角度解決了跨案復用與工具鏈碎片化的痛點。結合自動抽取與輕量級檢索，能在降低成本的同時保留靈活度。與 KompeteAI 類的 AutoML 路線互補：一方優化搜尋策略，另一方則提供可直接組合的執行單元。實務上，關鍵仍在技能來源品質、跨工具鏈相容性與高階設計決策的介入方式。若能建立社群驅動的技能市集，對研發流程和小團隊的實作效率都有實質助益。

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。