EDA 大厂抢的不是 AI，是工作流入口|agent|eda|大模型|工作流|调用

DAC 2026 还没正式开幕，Agentic EDA 已经先把气氛推起来了。

这一次，关键词不再只是“AI copilot”。如果说过去两年 EDA 厂商讲 AI，核心画面还是工程师坐在屏幕前，让模型解释文档、补几行脚本、看一段 log，那么 DAC 2026 前夜，厂商和会议议程同时把话题推到了另一个层级：多个 agent 组成团队，进入真实 EDA flow，调用工具、拆分任务、读取结果、循环修正，并围绕 coverage closure、PPA targets、debug、sign-off 等目标推进。

这不是一个小变化。

因为 copilot 的默认位置，是工程师身边的助手；agent team 的默认位置，则是流程里的执行组织。前者回答问题，后者接管一段 workflow。前者考验的是模型懂不懂知识，后者考验的是模型能不能在工具、数据、权限、验证和责任边界里稳定工作。

DAC 2026 前夜，真正值得看的不是哪家公司把“AI”两个字写得更大，而是谁在重新定义芯片研发工作流。

从“会回答”到“会接活”

Synopsys 在 DAC 2026 页面上列出的 demo，标题很直白：Agentic: Re-engineering EDA with Agentic AI Teams。

页面描述的重点不是单个聊天助手，而是“coordinated team of specialized agents”，也就是一组被分工编排的专用 agent。这些 agent 被分成设计、验证、约束、debug 等角色，围绕 RTL、约束生成、lint/CDC、formal 驱动修正、验证规划、测试生成、自动 debug/RCA、coverage closure 和 PPA targets 等任务协作。

这句话背后的含义，比一个新 demo 更大。

EDA 工程天然不是单点任务。一个 RTL 修改会影响验证计划，一个约束变化会影响综合和后端，一个 PPA 目标变化会回头改变架构取舍。过去所谓 AI copilot，常常卡在“单次问答”或“局部脚本生成”：它能解释报错，也能生成 Tcl，但工程师还要自己判断下一步该跑什么、结果怎么看、要不要回滚、谁来签字。

agent team 想改变的正是这层组织方式。

它不是问“模型能不能写一段代码”，而是问“一个任务能不能被拆给不同角色，由它们各自调用工具，再把结果汇总到一个可审计的闭环里”。这也是为什么 Synopsys 的 demo 语境里会同时出现 RTL、constraints、lint/CDC、formal、verification planning、debug 和 PPA，而不是孤立地展示一个文本生成能力。

从这个角度看，Agentic EDA 的竞争已经从“模型能力”转向“工程编排能力”。模型只是一个部件，真正难的是把工具链、设计资产、流程状态、结果判定和人工 review 放到同一个系统里。

DAC 官方议程已经把方向点破

DAC 官方 TechTalk From Tools to Agents: Realizing Fully Autonomous EDA Workflows 给了一个更直接的行业信号。

这场分享的摘要提到，传统 EDA 工具孤立使用、再由工程师反复迭代设计的方式，正在触及限制。它提出的解法，是让 EDA AI agents 单独或协作工作，通过推理、多工具集成、数据分析，以及 API 直连、MCP、Agent skills，形成端到端 workflow。

注意这里的几个词：API、MCP、skills、multi-tool。

这说明 Agentic EDA 已经不只是“把大模型接到 EDA 文档库”。它开始进入工具调用层和流程资产层。一个 agent 如果只会聊天，它无法知道某个 Innovus run 为什么失败，也无法把 DRC 结果变成下一轮修正策略，更无法在不同工具之间迁移状态。它必须有工具入口，有可读取的工程上下文，有步骤记录，有失败回滚机制，也有足够清晰的权限边界。

这类问题很难只靠一个聊天工具解决。更关键的是把专业模型、企业知识库和设计流程编排连接起来，让 AI 能进入芯片研发的具体任务和协同链路。

DAC 这场 TechTalk 还把示例拉得很宽：C-to-RTL-to-GDS、PPA 优化 agent、custom IC/AMS 设置构建、智能 debug、DRC 修复、运行优化和 SVRF deck 生成。

这其实是在告诉行业：Agentic EDA 的第一战场，不会只在前端代码生成。它会沿着整个 EDA flow 往后走，越往后，越靠近真实约束，也越难靠纯语言能力糊过去。

三大厂商在抢的不是同一个词，而是工作流入口

Cadence 的说法是 super agents。

在 Cadence 的 AI for Design 页面里，super agents 被定义为可以编排并执行跨设计域复杂多步骤 workflow 的虚拟工程师。页面把它们放在 RTL/测试生成、debug、PPA closure、signoff 等场景里，也把 ChipStack 指向 RTL 设计、验证和 debug，把 ViraStack 指向 custom/analog 中的原理图创建、testbench 开发、电路优化和版图迁移。

这套叙事的重点，是把 agent 放到 Cadence 自己的设计和验证工具体系里，用基于物理模型的工具和接近 signoff 精度的结果来增强可信度。Cadence 页面还提到，在领先部署中，autonomous workflows 已经把开发周期从数周缩短到不到一天。这个数字很有冲击力，但在正式文章里必须按厂商口径处理，不能把它写成独立第三方验证结论。

Siemens 的切入点也很清楚。

在 Siemens DAC 2026 页面上，Workshop: Agentic AI technology in Aprisa AI 直接把 Aprisa AI 和 Siemens Fuse 放进 RTL-to-GDS flows，目标是加速 closure、改善 QoR、实现 autonomous design implementation。另一场 Agentic AI and the rise of the D&V scientist 则把 agentic AI 描述成能够推理、规划、适应，并把孤立 EDA 工具连接成协作式、上下文感知伙伴的系统。

Synopsys 讲 agent teams，Cadence 讲 super agents，Siemens 讲 Fuse/Aprisa AI 和 D&V scientist。词不一样，但方向高度一致：谁能把 agent 安进既有 EDA 工具链，谁就能把 AI 从助手变成流程入口。

说白了，这不是一个“模型外挂”市场，而是一个“workflow 控制层”市场。

论文侧也在补上硬约束

产业端讲 demo，学术端则在补 benchmark、闭环和可复现性。

AgenticPD 是一个很典型的信号。这篇 2026 年 7 月提交的论文，把物理设计 QoR 优化组织成 stage-aware agentic framework，也就是按设计阶段感知状态的 agent 框架。它不把每次尝试都当成独立 trial，而是围绕物理设计 flow 的阶段边界组织搜索：Judge Agent 负责导航，阶段专用 agents 在本阶段用本地工具做决策，中间 checkpoint 可以复用，候选结果最终在 post-route signoff 评估。

这比“让 LLM 写脚本”更接近真实工程问题。物理设计里的 QoR 优化不是一条直线，前一阶段的选择可能改变后一阶段的 timing、power、area。每次完整跑完 flow 都贵，所以能不能复用中间状态、能不能对某个 stage 做分支探索，直接决定 agentic workflow 有没有工程意义。

PDAgent-Bench 则从评测侧补了一刀。论文说，物理设计 agentic workflow 的难点在于高维、多阶段、严格约束、需要协调多个 EDA tools，并且要迭代修正。它构建了 353 个 curated problems，覆盖任务级评测和 workflow 级执行，还把概念题、工业工件、专家验证参考答案和可执行解法放在一起。更重要的是，实验显示现代 LLM/VLM 在概念题上可以有竞争力，但在 tool-centric execution，也就是围绕工具的实际执行，以及 long-horizon multi-stage reasoning，也就是长链路多阶段推理上仍明显受限，例如 Innovus script generation 只有 42.2%。

这个结果反而把问题说透了。

它提醒行业，Agentic EDA 的上限不该用“会不会聊天”来判断。真正的短板在长链路执行、工具语义、阶段状态、失败恢复和结果验证。换句话说，未来能跑起来的 agent team，不会只是更聪明的模型，而是模型、工具、状态管理、benchmark、人工 skill 和企业数据共同组成的系统。

最大门槛不是自动化，而是可信闭环

Agentic EDA 最容易被误解成“无人芯片设计”。

这个说法听起来刺激，但很容易把问题带偏。芯片设计不是网页自动化，也不是普通代码生成。RTL、CDC、formal、STA、DRC、LVS、EMIR、thermal、power intent、sign-off，每一个环节都有明确的工程责任。AI 生成一个候选方案不难，难的是它为什么可信、哪里可信、什么时候必须停下来让人 review。

这也是 DAC 另一场 TechTalk From Hype to Impact 的价值。它把问题重新拉回现实：Agentic AI 到底在哪些 chip design workflows 里有可衡量价值，哪里仍然只是愿景。议程列出的场景包括架构探索、RTL 质量分析、验证加速、物理设计优化、设计收敛，同时强调部署模式和组织经验。

这套表述比“全面自动化”更接近产业落地。

在真实工程里，agent 可以做的是缩短迭代链路：读 log，定位失败，生成候选脚本，跑下一轮，比较 QoR，给出解释，留下过程记录。工程师必须保留的是判断权和责任权：关键约束、CDC、低功耗、电源完整性、热耦合、sign-off 结果和 tape-out 决策，不能因为 AI 跑通了一次 demo 就让渡出去。

真正可落地的 AI+EDA，不会停留在个人问答助手，而是要把模型能力、企业知识、设计流程和治理边界放进同一条研发链路。

谁在定义新工作流？

如果把 DAC 2026 前夜的信号合在一起看，答案其实已经浮出来了。

第一类定义者，是掌握主流工具链的 EDA 厂商。Synopsys、Cadence、Siemens 的优势不是“模型一定更强”，而是它们掌握真实 flow、工具 API、结果判定、签核语义和客户环境。Agentic EDA 要进入生产，就必须跟这些东西绑定。

第二类定义者，是拥有真实设计数据和场景的芯片公司。没有设计规范、历史 run、失败案例、IP 约束、项目经验和 review 规则，agent 只能做通用推理，很难进入高价值任务。未来很多企业会发现，真正稀缺的不是买一个 AI 入口，而是把自己的工程知识整理成 agent 可以安全调用的资产。

第三类定义者，是 benchmark 和开源工作流。PDAgent-Bench、AgenticPD 这类工作把“看起来能跑”的 demo 拉回可评测、可复现、可比较的轨道。它们未必马上变成商业产品，但会影响行业判断什么叫“有效的 EDA agent”。

第四类定义者，是企业内部的流程治理者。Agent 能不能调用哪些工具，能不能读哪些设计文件，失败后如何回滚，谁审批，谁签字，调用记录保存多久，这些问题不解决，Agentic EDA 就只能停在展台演示。

所以，Agentic EDA 不是“AI 取代 EDA 工程师”的故事。更准确地说，它是 EDA 工程组织方式的一次重排：从人围着工具转，变成 agent 围绕目标组织工具，而人负责目标、边界、判断和最终责任。

DAC 2026 前夜，Agentic EDA 的气氛很热，但最值得警惕的也是这个“热”。

如果只看展台语言，它很容易被包装成“全自动芯片设计来了”。可如果把厂商页面、DAC 议程和论文放在一起看，真实图景要复杂得多：AI 确实开始从 copilot 走向 agent team，但这个 team 还必须被工具链约束、被 benchmark 检验、被工程流程审计、被人类工程师把关。

真正有价值的地方，也正在这里。

过去的 AI+EDA，很多时候像是在现有流程旁边加一个聪明窗口。现在的 Agentic EDA，开始尝试进入流程内部，成为任务拆解、工具调用、结果解释和迭代优化的组织层。谁能把这一层做稳，谁就有机会定义下一代芯片研发工作流。