从 AST 图相似度到多代理重建，论文给长上下文硬件代码优化补上结构感

基于论文 LongRTL 整理

把一段几十行的 Verilog 交给大模型，它通常还能补全、改写、解释。可当代码变成几百行甚至上千行，多个 always 块、状态机、数据通路和存储逻辑缠在一起，问题就变了。模型看到的是一整团逻辑，窗口里装不下全局语义，局部改动又可能把时序和端口关系弄坏。

LongRTL 盯住的正是这个痛点。这篇 2026 年 6 月 8 日发布在 arXiv 的论文没有把希望单纯押在更长上下文模型上，而是让模型按硬件工程师的方式工作：先识别代码里的功能块，再分别优化，最后按逻辑依赖拼回去。支撑这个流程的核心工具，是 AST 图相似度。

一、长 RTL 为什么难交给大模型

RTL 优化的目标看起来直接：代码功能不变，延迟、面积、功耗尽量变好。对人类工程师来说，这常常意味着识别加法器、乘法器、状态机、存储控制等局部结构，再改写其中容易拖慢时序或浪费面积的部分。对大模型来说，难点不只在会不会写 Verilog，而在能不能在长代码里抓住这些结构。

论文指出，已有 LLM 辅助 RTL 优化大多处理短小、模块边界清晰的代码片段。真实工程里的 RTL 更常见的是扁平、长、耦合度高。一个信号可能跨越多个 always 块，一个状态变量可能同时影响数据通路和存储写使能，某处看似无害的重排，最后会变成功能不等价。

单靠把整段代码塞进提示词并不稳。上下文长度会限制模型看到的范围，代码结构缺少显式分层也会让模型难以判断哪些语句应该一起改，哪些语句必须留在原来的控制层级里。LongRTL 把问题拆成三个动作：分割、优化、重建。每一步都围绕 AST 图结构展开。

图 1：LongRTL 的整体流程，长 RTL 先被解析和分割，再由优化代理改写子模块，最后由重建代理恢复为等价的顶层设计。

来源：原论文 Fig. 1，裁剪自第 1 页，仅用于论文解读与学术交流。

二、先把代码变成结构，再让模型动手

LongRTL 的第一层抽象是 AST。RTL 代码里的 module、always、if、case、assign、端口声明、wire 和 reg，都能在 AST 中变成节点，父子边保留语法层级。相比直接看纯文本，AST 更接近工程师阅读代码时脑中的结构图：哪个控制块包住哪个计算块，哪个端口是输入，哪个变量参与输出。

论文还准备了一套可复用设计模板。模板库同时保存 RTL 文本和对应 AST 图，覆盖加法器、减法器、乘法器、移位器、比较器、优先编码器、译码器、锁存器、寄存器、计数器等常见功能。实验部分写明，模板库包含 55 个模板，覆盖 21 类 RTL 功能。

这些模板不是拿来机械替换原代码，而是给系统一个参照系。长 RTL 里的某棵子树如果和模板库中的乘法器、存储控制或状态机结构接近，分割代理就更有把握把它作为一个独立单元交给后续优化。模型获得的也不再是一段孤立文本，而是带有功能暗示和结构边界的代码片段。

三、图相似度不只看长得像

图相似度是 LongRTL 的关键。论文把 AST 节点分成操作节点和端口节点，用 one-hot 特征描述节点类型，再用 GCN 聚合邻域信息。这样，一个 if 节点不会只被看作单个词，它周围的赋值、条件、端口和子语句都会影响它的表示。

相似度分成两层。节点级相似度比较两张 AST 图中节点表示的平均余弦相似度，捕捉局部结构是否接近。图级相似度用注意力池化把整张 AST 压成图嵌入，判断整体功能轮廓是否一致。二者合在一起，既能看局部语法形态，也能看全局结构语义。

训练阶段采用对比学习。同一功能的 AST 图被当作正样本，不同功能的 AST 图被当作负样本，温度系数设为 0.1。训练目标会把功能一致的图拉近，把语义不同的图推远。对后面的分割和检索来说，这一步很重要，因为它让结构相似不只是图形相似，还尽量贴近硬件功能相似。

图 2：AST 图相似度的训练流程，GCN 负责节点编码，注意力池化形成图级表示，对比学习拉开不同功能结构。

来源：原论文 Fig. 2，裁剪自第 2 页，仅用于论文解读与学术交流。

四、Partition Agent：把长代码切在该切的地方

分割代理要解决一个很工程化的问题：哪里才是合适的切口。随机按行数切会破坏语义，按语法层级粗暴切又可能把一个功能块拆得太碎。LongRTL 采用 Tree-DP，在 AST 上自底向上寻找分割方案，让每个候选子树尽量匹配模板库里的已知设计模式。

论文给出的目标函数可以理解为，让所有子树对模板库的最佳相似度之和尽可能大。约束也很硬：每个子树必须连通，必须对应语法和语义上有效的 RTL 片段，所有子树合起来要刚好覆盖完整 AST，并且彼此不重叠。分割数 K 可以由用户指定，也可以按设计规模和优化预算自适应选择。实验中，K 从 5、10、15、20 中选取。

这个设计背后的直觉很朴素。工程师看一段大代码时，并不会从第一行到最后一行平均切块，而会先认出这是 ALU，那是状态机，这里是存储写逻辑。Tree-DP 试图把这种识别过程程序化。切出来的子树更像真实功能块，后续优化代理才更容易生成可综合、可验证的 RTL。

分割代理的价值不在于缩短提示词，而在于把长代码变成模型能理解、能改写、还能验证的结构化单元。

五、Optimization Agent：检索、生成、验证一起上

子树切好以后，优化代理开始工作。它的流程分为 Search、Retrieve、Generate、Refine。Search 阶段把目标子树编码成图嵌入，在模板数据库里找结构最接近的 AST。Retrieve 阶段取出这些 AST 对应的 RTL 实现，把结构和代码一起放进 RAG 示例。

Generate 阶段交给 LLM 产生候选改写。论文没有让模型只生成一个答案，而是引入 MCTS 探索多种改写路径。每个搜索节点对应一个候选 RTL 版本，候选质量由两部分衡量：生成后 AST 与原 AST 的结构相似度，以及延迟、面积、功耗归一化后的 PPA 指标。设计者还可以调整权重，让系统偏向低功耗或高速度。

Refine 阶段负责把不靠谱的候选挡住。候选 RTL 先做 Verilog 语法检查，再用基准输入做功能仿真，还会做 AST 级 diff，捕捉可能的逻辑漂移。只要出现语法错误、功能不等价或结构偏移，系统就把反馈放回搜索和提示中，继续生成修正版本。

图 3：优化代理的四阶段管线，系统先检索结构相似的 RTL 与 AST 示例，再用 MCTS 搜索优化候选并反复验证。

来源：原论文 Fig. 3，裁剪自第 4 页，仅用于论文解读与学术交流。

六、Reconstruction Agent：局部优化后不能随便拼

长 RTL 最容易出问题的地方，往往不是某个子模块内部，而是子模块之间的接口和控制依赖。一个子模块输出给谁，另一个子模块何时读取，顶层端口和内部信号怎样命名，这些细节都会影响最终等价性。LongRTL 因此单独设计了重建代理。

重建代理先按原始 AST 中的逻辑深度和连接关系排序，把优化后的子模块放回合理位置。接着构造 Graph-RAG 提示，把分割子树、对应 RTL、完整 AST 和原始长 RTL 一起提供给 LLM。模型生成的不只是若干片段的串联，而是一个 top.v 风格的顶层 RTL，包含端口、连线、实例化关系和控制流。

生成完成后，验证流程还会再跑一遍。论文中使用 iVerilog 做语法检查，Python 生成 testbench 做仿真，还引入 ABC 做 SAT 级组合等价检查，并用 egg 支持算术推理。这样的重建过程把模型的语言能力限制在结构约束内，减少信号错连和控制路径断裂。

图 4：重建代理按逻辑深度和连接关系组织子模块，再用 Graph-RAG 提示恢复完整顶层 RTL。

来源：原论文 Fig. 4，裁剪自第 4 页，仅用于论文解读与学术交流。

七、实验给出的信号很明确

论文的实验分成单模块长 RTL 和多模块长 RTL 两类。单模块测试包含 add64、mult32、comput、traffic、alu、radix、asyn、accu、fpu_pre、fpu_post、mc_sel、mc_rf、buffer、eth 等设计，平均 217 行、763 个节点、1005 根 wire。多模块测试包含 ac97、aes、crca、ecg，平均 1696 行、21485 个节点、21859 根 wire。

实现细节也比较完整。系统用 PyVerilog 解析 AST，用 Python 实现 Tree-DP，优化和重建代理基于 ChatGPT 4o API，图相似度模块使用训练好的 GCN。PPA 评估使用 Synopsys Design Compiler，在 ASAP 7nm 工艺节点下报告综合后的延迟、面积和功耗。

功能等价率是最先要看的指标。表 III 中，LongRTL 在 14 个单模块长 RTL 用例上达到 100% 功能等价。Yosys+Egg 也为 100%，但论文说明它没有做实质逻辑优化，所以 PPA 没有改善。GPT4o、Gemini、RTLCoder、RTLRewriter 的成功率分别是 42.9%、35.7%、42.9%、50.0%。这说明长上下文 RTL 上，能写代码和能稳定优化是两回事。

PPA 结果更能体现分割和重建的收益。单模块长 RTL 上，原始设计平均延迟、面积、功耗分别是 515.8 ps、92.0 平方微米、46.2 mW。LongRTL 优化后降到 373.1 ps、67.2 平方微米、35.1 mW，对应比例为 0.72、0.73、0.76。论文概括为平均约 25% 的 PPA 改善。

多模块长 RTL 上，LongRTL 同样优于原始设计。平均延迟从 151.6 ps 降到 121.3 ps，面积从 2268.3 平方微米降到 1990.1 平方微米，功耗从 22.2 mW 降到 18.3 mW。与 RTLRewriter 这个较强基线相比，论文报告最高约 5% 的 PPA 优势，相对原始设计平均约 15% 改善。

图 5：平均运行时间拆解，单模块用例总耗时约 360 秒，多模块用例总耗时约 700 秒，重建和验证占比较高。

来源：原论文 Fig. 5，裁剪自第 6 页，仅用于论文解读与学术交流。

运行时间也给了一个现实判断。单模块平均约 360 秒，多模块平均约 700 秒。论文指出，LLM 推理本身不是主要耗时，更多时间花在逻辑综合和仿真验证上。由于子模块可以并行处理，这个框架还有继续扩展的空间。

八、消融实验说明少了哪块都不稳

消融实验把三个部件拆开看。去掉图相似度分割后，系统改用随机子树拆分，功能等价率从 100% 掉到 55.6%，延迟和面积也恶化。这很好理解：切口不对，后面的模型再强，也是在破碎语义上做改写。

去掉多模态检索后，系统只给 LLM 常规 RTL 优化指令。功能等价率仍能保持，但 PPA 变差，延迟、面积、功耗比例分别来到 0.89、0.92、0.94，远弱于完整系统的 0.72、0.73、0.76。没有 AST 和 RTL 示例牵引，模型更容易生成泛化但不够贴合目标结构的改写。

去掉逻辑感知重建后，系统用朴素拼接处理子模块，功能等价率降到 88.9%。这说明重建不是收尾小事。长 RTL 优化真正危险的部分，常常是局部正确但全局接不上。Graph-RAG 提示把子树、原始 AST 和原始 RTL 放在同一上下文中，正是为了解决这个问题。

图 6：消融结果显示，图相似度分割影响功能等价，多模态检索影响 PPA，逻辑感知重建影响全局连接可靠性。

来源：原论文 Fig. 6，裁剪自第 6 页，仅用于论文解读与学术交流。

九、这篇论文真正补上的是什么

LongRTL 的价值不在于证明某个大模型突然具备了完整硬件优化能力，而在于给模型安排了一个结构化工作台。大模型负责生成和改写，图相似度负责找边界和找示例，综合与验证工具负责筛掉错误候选。每个环节都承认模型有能力，也承认模型会出错。

这种思路对 EDA 场景尤其重要。硬件代码不是普通脚本，改错一行可能带来综合失败，也可能在少数输入下才暴露功能偏差。LongRTL 把 AST、模板、RAG、MCTS、等价检查串成闭环，让 LLM 的生成能力被工程约束包住。

论文也留下了边界。模板库质量会影响分割和检索，验证覆盖度会影响错误发现能力，基于 ChatGPT 4o 的实现也意味着结果与模型版本和提示策略有关。文章中的实验已经覆盖较长的单模块和多模块设计，但真正工业部署还需要更大规模设计、更严格验证、更稳定的工具链集成。

即便如此，LongRTL 给出的方向是清楚的：让大模型优化 RTL，不该只追求更长窗口或更强模型，还要把硬件结构显式交给模型。长代码先被组织成图，图再变成可检索、可分割、可验证的工作单元。模型由此从盲目读长文，转向按结构处理设计。

结语

长上下文 RTL 优化难在两个字：结构。代码越长，功能边界越模糊，局部改写越容易伤到全局等价。LongRTL 用 AST 图相似度把结构重新显式化，再用分割、优化、重建三个代理把任务拆开处理。实验里的 100% 功能等价和持续 PPA 改善，说明这条路线比单纯提示大模型直接改写更稳。

对硬件设计自动化来说，这类工作值得关注。它没有把 LLM 当成万能优化器，而是把 LLM 放进一个由图表示、模板检索、综合评估和等价验证共同约束的流程里。未来真正可靠的 AI EDA 工具，大概率也会沿着这种方向演进：让模型生成，让结构导航，让验证把关。

参考资料

图片说明：文中部分图片裁剪自论文 LongRTL: Graph-Similarity-Guided LLM-driven Long Context RTL Optimization，仅用于论文解读与学术交流。文中方法、实验设置和数字均依据原论文整理。