Dr. RTL：通过工具依据对齐的自我改进实现自主智能体RTL优化

大语言模型（LLM）的近期进展激发了人们对自动RTL优化的浓厚兴趣，目标是改善性能、功耗与面积（PPA）。然而，现有方法距离真实的RTL优化仍然很远。它们的评估设定往往不真实：在人工降级的、小规模的RTL设计上测试，并依赖较弱的开源工具。其优化方法也较为有限，依赖粗粒度的设计级反馈与简单的预定义重写规则。为解决这些局限，我们提出Dr. RTL，一个在真实评估环境中进行RTL时序优化的智能体框架，通过可复用的优化技能实现持续自我改进。我们建立了包含更具挑战性RTL设计与工业级EDA流程的真实评估设定。在该设定下，Dr. RTL通过多智能体框架执行闭环优化，涵盖关键路径分析、并行RTL重写与基于工具的评估。我们进一步提出组相对技能学习，通过比较并行的RTL重写，将优化经验蒸馏为可解释的技能库。目前，该技能库包含47条模式-策略条目，可供跨设计复用以改善PPA并加速收敛，且可随时间持续演化。在20个真实世界RTL设计上的评估表明，Dr. RTL相对业界领先的商用综合工具，平均WNS/TNS分别改善21%/17%，面积减少6%。