新智元报道
最近，“会编写Tcl脚本”的大模型首次以Agent形态进入实际的EDA工具链，标志着设计优化流程迈出了重要一步。
大模型已经在工程研发领域迅速普及。
然而，在EDA（电子设计自动化）这一专业领域中，真正具有挑战性的并不是编写一段简单的脚本，而是让这些模型能够无缝集成到真实的开发环境中，并持续调用特定的功能进行分析和优化。
行业迫切需要的并非只是一个可以生成脚本的聊天助手，而是一个能围绕目标不断迭代、执行与纠正错误的EDA Agent。
近日，浙江大学集成电路学院卓成团队成功构建了OpenClaw + FluxEDA联合架构：前者作为大模型Agent的核心调控层，后者则扮演着连接实际EDA shell的重要角色，实现了从技能到MCP再到端对端优化闭环的关键路径打通。
论文链接：https://arxiv.org/pdf/2603.25243v1
目前，该系统已经能够稳定地接入时序分析、逻辑综合、仿真验证以及物理实现等关键工具，并在Post P&R自动化ECO及标准单元库子库优化等多个任务中展现出了连续的分析与优化能力。
一句话总结：EDA领域终于从“AI辅助编写命令”阶段，迈向了由Agent自主推进流程的新时代。
浙江大学为何能在这一领域领先？
卓成团队长期专注在电子设计自动化（EDA）、人工智能应用于EDA、设计技术协同优化（DTCO）以及集成电路智能制造等前沿领域，积累了深厚的技术底蕴和实践经验。
此前，在EDA国际顶级会议ICCAD上该团队荣获最佳论文奖，实现了我国高校在此类奖项上的历史突破。
更重要的是，他们拥有完整且贴近实际产业的中试级支撑体系。借助吴汉明院士领导的唯一一个12英寸CMOS集成电路产教融合公共创新平台，许多研究项目不再仅限于理论验证阶段，而是可以直接在真实工艺流程、中试和流片过程中进行闭环测试。
基于此等真实的产业背景，团队不仅推出了诸如FabGPT等标志性成果，在晶圆缺陷检测、原因分析及工艺知识问答等多个方面深入应用了多模态大模型技术。如果说FabGPT体现了团队在AI赋能制造业方面的深厚积淀，那么新提出的OpenClaw与FluxEDA则进一步探索了AI驱动EDA底层执行基础设施和闭环优化的未来。
这是一条立足于真实生产线、面向智能EDA未来发展的重要研究路线。
为什么EDA需要一个Agent基础平台？
在过去几年里，关于LLM与EDA结合的研究层出不穷，但大多数工作仍停留在三个层面：
- 生成Tcl / Python脚本；
- 创建一个可以回答问题的EDA助手；
- 在基准测试中完成局部优化演示。
这些工作虽然有价值，但距离实际工业流程还有一定的差距。真正的数字芯片设计过程是跨工具、跨步骤且上下文关联紧密的持续执行闭环。
现实问题也很直接：
- 工具入口分散，涉及Tcl / Python / Shell多种语言；
- 接口不统一，能力边界模糊不清；
- 上述问题导致大模型很难真正执行复杂的EDA流程。
- 通过Skills和MCP的支持，上层Agent不再直接面对分散的shell和杂乱无章的工具入口，而是能够围绕完整任务持续执行。
从“会编写脚本”到“能真正执行流程”
FluxEDA不仅是一个概念上的AI+EDA包装，而是已经打通关键系统链路并在真实案例中得到验证的一套Agent执行底座。
结合OpenClaw，这套系统实现了三个核心目标：
用Skills组织 EDA 流程；
- 用Skills组织 EDA 流程；
- 通过MCP实现标准化调用；
利用FluxEDA承接真实工具执行。
它推动的，不仅是一次接口改造，而是一种工作流范式的转变：
从“能写脚本”到“能真正执行流程”，从单点能力向系统能力跃进；从随机试错转向结构驱动的自动化优化。
这带来两个直接收益：
- 面向未来，这套 Agentic EDA 工作流有望进一步引入跨域协同与物理感知等高级探索能力，继续推动设计制造一体化技术的发展。
- 真正的分水岭在于模型是否能够做工程师在做的事情，而不是能否说得像工程师一样专业。
https://arxiv.org/pdf/2603.25243v1
图3：FluxEDA+OpenClaw——大模型「自主接管」真实芯片设计和优化迭代流程
实战一
Post P&R自动化 ECO
在真实的 Post P&R 时序分析流程中，FluxEDA 驱动的 Agent 已经能够完成一整套连续操作：
读取设计；
设置propagated_clock和case_analysis；
生成baseline timing报告；
抽取setup / hold关键路径；
判断问题成因与可能修复方向。
真正值得关注的，不是它「调用了几个命令」，而是它已经形成了围绕真实post-P&R timing问题的连续分析闭环。
根据材料中的实验结果，Agent 在迭代过程中展现出了清晰的战术意识：
优先集中修复setup违例；
当收益趋于平台期时及时止损；
再转入hold清理；
在保持核心时序收益的同时完成最终收尾。
最终结果也相当亮眼：
Setup TNS从-37.36提升到-34.78；
Hold THS从-1.329降到0.000；
Hold违例路径从4条降为0条。
这意味着，Agent 已经不只是「能看报告」，而是开始具备围绕真实后端 ECO 任务做连续判断和修复推进的能力。
图4：FluxEDA驱动的自动P&R后ECO修复
实战二
Cell 种类直降76%
如果说自动化ECO展示的是Agent 的「连续修复能力」，那么标准单元库子库优化展示的则是它的「结构洞察能力」。
在工艺和设计早期，工程师往往需要先定义标准单元库的spec。一个非常实际的问题是：
能否针对某个具体电路，裁剪出一个极简子库，让Cell Family类型尽可能少，同时面积和性能尽量接近全库结果？
在这个案例中，FluxEDA配合综合与时序分析工具，让Agent从最小化子库出发，以面积为目标展开探索；随后再从面积较优的候选方案出发，继续做时序恢复与候选比较。
关键在于，Agent并不是盲目堆单元、机械试错。它能够读取PrimeTime关键路径报告，并基于路径结构识别设计中的关键薄弱点，例如前端驱动偏弱、局部闭合能力不足以及部分低频单元冗余，再据此做有针对性的补强与剪枝。
最终交付结果很有冲击力：
相比全库baseline，网表Cell种类从128种降到30 种；
种类压缩幅度达到76%；
总面积从14651缩减到13659；
WNS 仅出现轻微折损。
这说明，Agent已经不只是「会跑综合」，而是开始具备面向设计结构的分析和搜索能力。
图5：FluxEDA驱动的自动标准单元库子库优化
这件事真正重要在哪？
今天我们讨论大模型进入EDA，最容易陷入的误区是：把「会写命令」误认为「会做流程」。
但对EDA来说，真正稀缺的能力从来不是单点命令生成，而是：
对真实工具环境的稳定接入；
对分析结果的持续理解；
对复杂流程的跨步骤编排；
对优化方向的动态调整；
对任务目标的连续推进。
而FluxEDA的意义，恰恰就在于它把这些原本割裂的部分组织成了一个统一的系统层，让上层Agent不再直接面对分散的shell和杂乱的工具入口，而是能够在Skills和MCP支撑下，围绕完整任务持续执行。
这意味着，端到端 EDA 不再只是停留在概念层面的愿景。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，并承担主要执行闭环。
从「会写脚本」到「能真正执行流程」
FluxEDA并不是又一个泛泛而谈的 「AI+EDA」 概念包装，而是一套已经打通关键系统链路、并在真实案例中验证过代表性流程的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。
它推动的，不只是一次接口改造，而是一种工作流范式转变：
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，这套 Agentic EDA 工作流还有望进一步引入跨域协同与 physically-aware 的高阶探索能力，继续推动设计制造一体化技术发展。
对于IC行业来说，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「出主意」，而是开始真正走进芯片设计现场，成为流程中的执行者。
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给出的答案已经很明确：Agent进入真实IC行业，不再只是想象。
参考资料：
https://arxiv.org/pdf/2603.25243v1