做芯片的人都知道，从规格到流片，中间隔着无数工具、无数迭代、无数次“为什么又报错了”。数字设计一套流程，模拟设计又是另一套，工程师经常在不同软件之间来回倒腾上下文，光是把上一环的结果解释给下一环就够头疼。ChipAgents最近把自家的智能体平台正式扩展到数字加模拟全流程，核心引擎叫IC-Star，目标很明确：让AI不只是帮写几行代码，而是能跟着工程目标一路走到验证通过的结果。

IC-Star到底解决了什么痛点

传统EDA工具很强大，但彼此割裂。AI模型更新很快，几个月就能换代，而一颗芯片的开发周期动辄一年18个月。单纯生成代码解决不了问题，工程师还得手动判断失败原因、决定下一步该跑哪条工具链。IC-Star的设计思路是做一层协调层：把公司的设计知识、可复用技能、客户自己的方法论都存起来，再由推理核心去调度智能体和工程工具，同时用物理感知模型去预判设计改动可能带来的后果。模型导航器还会根据质量、速度和成本动态选模型。

数字侧覆盖规格分析、架构探索、RTL、验证、调试、覆盖率收敛和PPA优化；模拟侧则包括拓扑与原理图、仿真、行为建模、版图生成和物理验证。模拟部分尤其关键——电路行为和物理实现的约束没法单靠代码生成搞定，系统必须能提出方案、仿真、解读结果、再调整，同时平衡多个互相打架的目标。

客户已经用出了实打实的数字

ChipAgents称已有超过200家半导体企业在用。Andes Technology把一个处理器验证流程从两三个月压缩到大约三周，定制项目也缩短了约30%。eMemory在数据表分析和测试平台构建上减少了大约80%的工程量，测试模式增加18%，功能覆盖率提升5%。WhaleChip把根因分析从几天缩短到每轮15到60分钟，还找出了几个关键bug。这些数字是公司自己报的，方法论细节没有完全公开，但至少说明在重复性高、调查性工作上，AI已经能明显减负。

平台强调兼容现有EDA工具，支持本地部署，让客户能控制自己的设计数据。这对很多半导体公司来说很重要——不是所有人都愿意把核心IP丢到公有云上跑。

趋势：从“辅助写代码”到“一起走完流程”

AI在芯片设计里真正有价值的地方，不是再生成一堆候选方案，而是能把上下文一直带着，根据验证反馈调整下一步。生成再多，如果验证和调试跟不上，反而会增加负担。ChipAgents的扩展，就是把数字和模拟放在同一套智能体框架下，试图减少人工在工具之间搬上下文的时间。

目前还谈不上完全自主从规格到GDS的端到端设计，工程师仍然把控需求、关键决策和最终签核。但方向已经很清楚：AI在向“工程伙伴”靠近，而不是单纯的代码生成器。和NVIDIA的合作也在推进，针对数字和模拟场景微调模型，让智能体能更好地理解设计状态和仿真结果。

对工程团队来说，真正该盯的指标是：到达验证通过结果的时间、审查工作量、执行成本，以及这些改善能不能贯穿整个设计周期。ChipAgents把目标从“单点加速”转向“全流程协调”，这本身就是对行业痛点的回应。下一步就看它能不能在更多复杂设计、尤其是模拟和混合信号项目上，持续交付稳定收益。

芯片开发周期长、环节多、工具碎，这是行业长期现实。AI进来之后，最有价值的不是替人做决定，而是把重复劳动和上下文传递这件事做得更顺。ChipAgents的这次扩展，正是在这个方向上往前走了一步。市场最终会用落地效果来检验它。