Synopsys于2026年9月推出AgentEngineer与Autopilot，旨在将AI代理从单次代码生成扩展为覆盖芯片设计、验证与系统开发的长期工程闭环。Autopilot提供编排、持久化记忆与治理框架，支持多智能体调用EDA与仿真工具，但广泛部署与实际效益仍需后续验证。
Synopsys于2026年9月28日宣布推出AgentEngineer解决方案组合与Autopilot平台，试图把人工智能代理从代码生成和单项任务辅助，推进到覆盖芯片设计、验证、系统开发和仿真的长期工程流程。
AgentEngineer由面向特定工程领域的长流程智能体组成。Synopsys称，这些智能体能够理解目标和约束，制定执行计划，并调用工程工具完成多步骤工作；同时，任务级智能体负责覆盖率收敛、软件启动与验证、多芯片3DIC组装、功耗—性能—面积（PPA）收敛、模拟布局综合、掩模综合以及信号完整性等更具体的环节。
这意味着，Synopsys的重点不只是让模型生成一段代码或提出一个参数建议，而是让智能体在较长的时间窗口内持续执行“生成、运行、检查、调试和再执行”的闭环。公司把这一方向称为从AI辅助设计走向自主工程。
Autopilot承担编排、记忆和治理
AgentEngineer运行在Synopsys Autopilot平台之上。按照Synopsys的介绍，Autopilot提供智能体编排、工程技能、持久化记忆、遥测和治理能力，使不同智能体能够访问设计知识、调用EDA及仿真工具，并在企业安全和权限控制下协同工作。
平台强调开放架构。Synopsys称，客户可以在安全和数据控制框架内选择Synopsys、合作伙伴或第三方提供的模型、基础设施、工具、智能体和工作流。平台还试图通过特权API和专有工程上下文减少智能体推理所需的令牌数量及延迟。
这类架构对EDA尤其重要。芯片设计流程通常包含大量彼此依赖的阶段，设计意图、约束、代码、仿真结果和验证记录需要在多个工具之间持续传递。一个能够保留上下文、反复调用工具并追踪目标的智能体，理论上比只处理一次请求的聊天式助手更适合参与验证收敛和设计签核前的工作。
不过，Autopilot目前仍是一个处于客户合作和部署推进阶段的平台。Synopsys表示，相关解决方案和平台已有超过50个合作或部署项目正在进行，通用可用性计划在2026年底实现。这是公司的产品计划，并不代表平台已经向所有客户全面上市，也不等同于全部工程域都已完成生产部署。
早期结果来自不同工作负载，不能合并成单一指标
Synopsys在9月28日的公告中称，合作企业已经观察到不同程度的效率改善。富士通表示，使用Verification AgentEngineer进行SystemVerilog断言、包装模块、参数化模块生成和代码重构时，RTL代码生成生产力提升了10%至30%。英特尔则在评估验证和调试工作流，联发科参与模拟和混合信号设计流程，三星把相关技术用于存储器开发，台积电则提到面向先进封装的电源完整性分析工作。
这些案例的任务类型和比较基线并不相同，因此不应被理解为一个统一的、适用于所有芯片项目的生产力数字。
Synopsys在2026年7月的DAC展示中给出了更具体的验证结果：一个由长期运行的编排智能体驱动的自主验证闭环，将原本需要数周的人工工作压缩到数小时的智能体执行，并在该演示流程中实现最高约50倍的验证后RTL获得速度，以及额外20%的覆盖率提升。公司同时注明，这一比较针对的是没有使用AgentEngineer技术的传统验证流程。
在另一项与微软和AMD相关的公开信息中，Synopsys称其全自动调试闭环工作流的早期评估显示，调试周期缩短25%至40%。这些数字都来自特定工作流或公司披露的客户评估，尚不能替代跨项目、跨工具和跨客户的独立基准测试。
相关数字的原始出处包括Synopsys的AgentEngineer与Autopilot公告、2026年DAC自主工程演示以及面向微软Discovery的自主EDA工作流公告。
从“任务代理”到“长期工程代理”
EDA工具长期以来已经具备自动综合、布局布线、仿真、形式验证和签核分析等能力。生成式AI进入这一领域后，最初的应用更多集中在自然语言问答、代码生成、错误解释和局部优化。Synopsys此次发布的差异，在于把这些工具放进由长期运行的智能体协调的闭环中。
以验证为例，智能体可能需要先理解规格说明和设计文件，再生成测试计划，调用仿真和验证工具，分析覆盖率缺口，定位失败根因，修改测试或设计代码，然后重新运行流程。这个过程的价值不在于某一个步骤是否由模型完成，而在于系统能否在多个步骤之间维持工程上下文，并且在结果不满足目标时继续推进。
这也使“验证”成为智能体工程较容易落地的试验场。编译器、仿真器、形式化工具和签核工具能够提供相对明确的反馈，帮助系统判断结果是否有效。与开放式内容生成相比，工程流程拥有更多可观察的中间状态和可验证的终点，但它也要求智能体严格遵守权限、数据和工具调用边界。
安全控制将成为平台能否落地的关键
当智能体开始运行数小时、调用多个工具并访问专有设计数据时，模型本身的拒答能力和应用层提示词并不足以覆盖所有风险。企业还需要知道智能体访问了哪些文件、调用了哪些API、修改了什么内容，以及在出现异常时能否暂停、回滚和审计。
Synopsys称，Autopilot通过访问控制、加密和运行时安全机制保护客户及合作伙伴的知识产权，并允许客户选择不同的模型和基础设施。公司还在公告中提到与NVIDIA Agent Toolkit、Nemotron模型以及OpenShell安全运行时的结合，用于构建长时间运行的工程智能体。
这类“模型之外的控制”正在成为智能体基础设施的重要方向。AIFlux此前报道的英伟达开放式智能体安全平台就把控制边界延伸到运行时和硬件层，强调沙箱、策略、审计与独立监控。对Synopsys而言，类似能力需要与EDA工具链、企业权限和专有芯片数据结合，而不能只停留在模型服务层。
基础设施规模同样会影响长期运行的可行性。此前AIFlux对DeepSeek DSeC智能体训练沙箱基础设施的报道显示，智能体训练和评估不仅需要模型，也需要可持续创建、隔离、恢复和回收执行环境。Synopsys的Autopilot更靠近企业工程工作流，但面对的共同问题是：智能体如何在较长任务中保持状态，同时让资源、凭据和网络访问处于可控范围。
下一步要看什么
Synopsys此次发布将AI代理的竞争从通用软件开发进一步带入EDA、验证和系统工程。公司已经给出了多家产业合作方和若干早期效率数字，但平台的实际影响仍取决于几个尚未完全回答的问题：超过50个项目中有多少已经进入生产环境，覆盖哪些具体工具和设计阶段；效率提升是否能够在不同芯片架构、团队和验证基线中复现；智能体产生的改动需要经过怎样的人类审批；以及长期运行的模型、计算和审计成本由谁承担。
如果Autopilot能够把不同EDA工具、模型和企业数据安全地连接起来，它可能成为Synopsys从传统工具供应商向工程智能体平台扩展的基础。若通用可用性在2026年底按计划推进，届时更值得关注的将不再是发布会上的演示数字，而是客户是否愿意把智能体用于真实的设计收敛、验证调试和签核流程，以及这些流程能否在质量不下降的情况下减少工程师的重复劳动。
来源：