同一个模型，Agent对话回合从155降到53，评测得分却从约55%升至95%。这次变化并非换上更大的模型，而是重新检查交付物、修订技能和工具说明。西门子与NVIDIA在10月14日披露的芯片设计复盘，把问题从“工具有没有调用成功”移到“最终文件是否完整可信”。不过，数字来自受控开发测试，不能读成整颗芯片有95%的设计成功率。

快速看点：评测对象是标准单元表征生成的Liberty文件；每次运行只选两种单元、覆盖36组工艺电压温度条件；NeMo Gym记录完整轨迹，团队据此改进技能和MCP工具接口，而不是把中间步骤通过当成交付完成。

一份看似合理的文件，也可能藏着错误

标准单元是芯片设计反复使用的基础逻辑模块。表征工作要计算它们在不同工艺、电压、温度和负载下的时序、功耗等特性，形成后续设计工具能够读取的模型。代工厂更新工艺设计套件后，原有数据可能不再适用，需要重新生成和验证，而不是让聊天模型凭经验补一张表。

西门子的Solido流程涉及输入读取、条件配置、SPICE仿真、分布式计算、文件生成和最终比对。困难在于，错误未必让程序直接报错：遗漏一种单元、少跑一组条件或阈值设置不对，仍可能产出格式漂亮的文件。若只统计命令退出状态，前面的偏差就可能一路传到末端。

Fuse EDA AI Agent把领域工具通过MCP和技能暴露给编码执行框架。NeMo Gym则提供受控任务环境，固定初始状态、工具与验证器，并保存消息、工具动作和推理轨迹。它在这里是评测与诊断底座，并不意味着这次实验重新训练了基础模型，也不替代物理仿真引擎。

四道硬闸门，再看数值误差

验证器首先检查应有单元及条件是否齐全、文件是否有效、是否引入参考结果之外的新失败，以及结果是否真正由完整流程生成。最后一项专门防止复用旧值、截断输出或只改格式来“过关”。这些要求不是靠Agent口头承诺，而是由末端文件和参考工件共同判断。

四道条件有任意一道不通过，奖励直接归零；全部通过后，才按时序和功耗数值落在容差范围内的比例计分。因此，约95%是复合验证得分，不是95%的客户任务无需人工，也不是良率或芯片性能。它把“缺一项也不合格”的交付约束放到了平均准确度之前。

这套设计对企业AI实施很有借鉴意义。发票录入不能只看字段像不像，还要核对附件和总额；代码迁移不能只看编译通过，还要检查行为与依赖。可复用的是把完整性、合法性、真实执行和业务精度分开，而不是把芯片领域的验证规则照搬到所有行业。

约25次运行，改的是交付接口

团队采用公开的GF180MCU工艺套件，基准数据涉及229种标准单元与36组条件，但每次调优运行只选择其中两种单元。每次约耗时1.5至2小时，共进行了约25次运行；模型固定为Claude Opus 4.8，执行框架为Claude Code。不能把完整数据集规模当成每一次都已跑完的任务量。

轨迹分析发现工具选择和说明存在歧义。团队简化重叠的文件、命令行接口，为输入增加明确的JSON结构，并调整表征技能。改进后，平均回合数减少约66%，输出token从约8.1万降到2.9万，减少约64%。这些是该开发基准的前后对比，不是全部EDA任务的统一收益。

回合更少也不能直接换算成同等比例的总成本或交付提速。SPICE仿真、集群等待、人工检查和商业工具授权仍在链路中。公开复盘没有给出完整客户生产负载、每次调优的全部原始记录或端到端成本清单；企业应把这看作可复用的验证方法，而不是已承诺的ROI。

NeMo Gym代码和工艺套件可检查，不等于Solido商业工具、客户设计数据和专用验证环境全部开源。接入时还要核对许可、部署方式、访问控制与审计。尤其在设计知识产权敏感的环境中，模型能调用工具的范围应由明确授权决定，不能因一次得分改善就扩大自动执行权限。

小编判断：先定义交付，再优化Agent

这份复盘最重要的不是约95%或少102轮，而是把优化对象从“更会说话的模型”改成了“可核验的完整结果”。先约定什么算交付，再固定任务回放、定位失败、收紧接口、重复验证，才能知道一次改动究竟减少了错误，还是只让日志显得更顺。

实施团队宜从小而代表性的任务集开始，同时保留困难样本、失败轨迹与人工复核，再扩大单元和工况覆盖。若最终产物仍没有可靠验证器，更多工具和更长自主运行时间只会放大不确定性。让Agent少走弯路，应建立在结果确实可验、异常能够停下和责任仍可追溯的基础上。