FPGA Agent · LLM4HLS

FPT'26 Design Competition Track A（LLM4HLS）的参赛 Agent。输入一道 AMD Vitis HLS 题目（含 bug 的 C/C++ kernel、结构性死锁，或功能正确但性能不足的设计），Agent 自主调用 csim / synth / cosim，解析工具日志，由大模型修改代码，经验证后择优存档，最终提交功能正确、可综合且 PPA 尽可能优的版本。原则是正确性优先、PPA 其次；每次工具调用均消耗 credit，因此需要在预算内决策。

1. 路由：读题目的 task.toml，决定要过哪些关卡——repair 题只过 csim，structural 题过 csim + cosim，optimize 题在正确的基础上追 latency
2. 跑工具：通过官方 Harness 的 ToolServer 调 Vitis 2025.2，每次调用按 credit 计费
3. 感知：feedback 模块解析日志，判断挂在哪个阶段（编译失败 / runtime_fail / 综合失败 / cosim 死锁）并定位报错
4. 修复：把题目规格、当前代码、报错与知识库检索结果交给大模型（DeepSeek V4 Pro，也可切到任意 OpenAI 兼容端点）生成候选代码
5. 双层验证：先过机械检查硬门（函数签名、禁用写法等），再由 LLM 复核，两层均通过后才重新运行工具，避免无谓的 credit 消耗
6. 存档择优：三条规则——正确性等级更高就存、同级比 latency、等级更低就拒，最后提交最佳版本，由官方 grade() 用隐藏测试评分

• 可观测性：每个事件写 JSONL 结构化日志 + 心跳（卡死检测），TUI 仪表盘实时显示思考流、工具结果、credit 消耗；跑完打印工具调用 transcript 与 PPA 评分卡
• token 分级节省：--token-mode balanced 对廉价判定关闭推理，省约 23% token 且分数不降；aggressive 连策略提案也关，省约 75% 但可能降分
• 零依赖 + Docker：Agent 本体只用 Python 标准库；Docker 镜像只读挂载宿主机整棵 Xilinx 目录（settings64.sh 里写死了兄弟目录路径，只挂 Vitis 子目录会找不到工具）
• 测试分层：离线链路测试与单元测试（无 Vitis、无 API key）→ Scripted 端到端（真 Vitis、无 LLM）→ 真 LLM 冒烟测试 → Docker 集成测试

如实记录的限制：六道公开题都一次修通，知识库检索没被自然触发过；generate 类题型尚未实现；两个 Qwen 模型受预算所限每组只跑了一次。

两人小组：程千和（Agent 主体：agent/、scripts/、TUI、评测接口对接）+ 方欣语（HLS 领域知识库、本地题集与正确性 / PPA 验证）。

仓库：github.com/QFcattail/llm4hls（MIT 许可证）

延续研学笔记本、智慧学工以来的 Agent 应用实践；数学建模中的仿真评估经验也应用于预算受限条件下的决策设计。