Agentic Architect：面向架构设计探索与优化的智能体AI框架

大语言模型（LLM）的快速进展使高效探索广阔而复杂的设计空间成为可能，带来了新的机遇。这在计算机体系结构中尤其宝贵，因为其性能取决于从庞大组合空间中选取的微架构设计与策略。我们提出Agentic Architect，一个面向计算机体系结构设计探索与优化的智能体AI框架，它将LLM驱动的代码演化与周期精确仿真相结合。人类架构师指定优化目标、种子设计、评分函数、仿真器接口与基准划分，而LLM在这些约束内探索实现。在缓存替换、数据预取与分支预测上，Agentic Architect达到或超越最先进设计。我们演化出的最佳缓存替换设计相对LRU取得1.062倍几何平均IPC加速，比Mockingjay（1.056倍）高0.6%。我们演化出的分支预测器相对Bimodal取得1.100倍几何平均IPC加速，比其种子Hashed Perceptron（1.085倍）高1.5%。最后，我们演化出的预取器相对无预取取得1.76倍几何平均IPC加速，比其种子VA/AMPM Lite（1.59倍）高17%，比SMS（1.55倍）高21%。我们的分析揭示了关于智能体AI驱动微架构设计的若干发现。在各演化设计中，组件往往对应已知技术；新颖性在于它们的协同方式。架构师的角色正在转变，但人类依然处于核心。种子质量框定了搜索所能达到的上限：演化可以改良并扩展既有机制，但无法弥补薄弱的基础。同样，目标、约束与提示引导会影响可靠性与泛化。总体而言，Agentic Architect是首个端到端开源的智能体AI架构探索与优化框架。