C114讯 7月20日消息（艾斯）国产AI算力芯片在2026年世界人工智能大会（WAIC）上持续受到行业高度关注。

作为一家成立于2022年的云端AI算力芯片公司，奕行智能定位于成为中国RISC-V云端AI大算力芯片的领导者。今年WAIC期间，该公司重磅发布了业界首个RISC-V AI算力超节点——搭载国内首颗RISC-V AI云端大算力芯片“Epoch”。

“Agent不是工具，而是新的研发范式。”奕行智能首席AI官石贤帅在由中国信通院承办的WAIC 2026“从大模型到智能体：迈向自主智能新纪元”论坛上提出了这一观点。

在他看来，AI芯片的竞争已经从算力竞争转向了研发效率的竞争。客户要求更快的适配速度和更短的市场响应周期，软件复杂度从算子到框架、驱动到底层运行时层层攀升，而芯片行业的工程师数量永远不够，培训速度永远追不上技术迭代——这正是智能体切入研发体系的核心驱动力。

针对此，石贤帅在论坛演讲中详细分享了奕行智能如何利用智能体深度融入芯片研发流程，成功将算子开发速度从“周级”压缩至“天级”的实战经验，从而为整个行业提供了一套可借鉴的“AI For Engineering”方法论。

从组织融入到任务切入：智能体进入企业的“三大问”

当一家芯片公司决定引入智能体时，第一周应该做什么？石贤帅认为，不应急于购买服务器或大模型，而应先思考三个核心问题：如何让Agent进入组织？采用什么框架？从什么任务开始？

芯片研发链路足够复杂，Agent必须进入现有流程，而不是另起炉灶。石贤帅强调的核心原则是：组织不需要被推倒重来，不改变员工熟悉的工作环境，只改变“谁来执行重复环节”。

“工程师的作用不是被削弱，反而更加关键——他们负责架构设计、文档撰写和最终Sign off，而执行层面的代码生成和验证测试则交给Agent。”他指出Agent要与工程师“人机分工”，并且Agent需要学会使用工程师熟悉的Terminal、GitLab、Jira、邮件等工具，确保整个研发过程对工程师透明、可控。

至于智能体的应用框架，石贤帅也梳理了一条清晰的演进路径。早期的多智能体分工模式结果难以量化，产出不稳定。后来转向基于终端（Terminal-based）的方案，因为芯片工程师都习惯用命令行，这种方式天然适配，全过程可见、可追踪。而现在的主流方向是“Loop Engineering”——设定目标，让Agent自己在预算和硬规则约束下迭代，由评估器基于证据决定保留还是回退。

显然，并非所有任务都适合智能体。在任务切入的落地起点上，石贤帅提出了四个选择标准：复杂度适中、可量化评估、快速反馈、能用命令行操作。基于此，奕行智能将突破口锁定在算子开发上。他指出，算子具备明确的“Golden”标准、可重复的性能指标和真实的硬件反馈，是验证Agent工程闭环的理想起点。相比之下，模拟版图、仿真器这类需要数小时编译、反馈模糊的任务，更适合先以辅助方式介入。

KernelFab：面向算子开发的闭环控制系统

基于这套思考，奕行智能内部打造了面向算子开发的智能体系统KernelFab。石贤帅特别强调，KernelFab并非简单的代码生成器，而是一个完整的工程闭环控制系统。

据介绍，这个系统由两个核心能力构成。一个是Onboarding——Agent读取工程环境和文档，主动补齐缺失信息，建立可重复执行脚本，由资深Agent带教新Agent；另一个是Compile & Optimize——锁定TTFT / TPOT正确性目标，用标准参照评估结果，通过日志和性能分析工具定位问题，每轮决策提交或回退，并能复用知识库，在停滞时自动切换策略。整个过程通过终端操作，可见、可审计、可复现，工程师负责审核和最终确认。

这套系统带来了显著的效率提升。根据奕行智能的实践数据，一个典型的算子开发周期被大幅压缩。“投入Agent开发之后，我们算子的开发速度从原来的‘周’级别压缩到了‘天’级别，节奏显著加快。”石贤帅谈到，通过知识沉淀（KernelPDK）和技能复用（SkillFab），KernelFab不仅加速了单个算子的开发，更为后续任务提供了可复用的规则、模式和优化策略，形成了长期的复利效应。

“KernelFab不是终点，而是把工程实践沉淀为组织能力的起点。”他表示，公司的最终目标是打造一个“Auto Engineer”自动研发系统，将这种闭环能力泛化到芯片研发的全流程。

面向未来：范式变革与关键挑战

在演讲的结尾，石贤帅总结了一个重要观点：Agent不是工具，而是新的研发范式。只要一个任务能被评估，就有机会形成自动迭代；只要反馈足够快，Agent就能将夜间与碎片时间转化为研发产出。

这标志着研发范式从“人在循环中”（Human in the loop）转向“人在循环上”（Human on the loop），工程师从执行者变为监控者和方向矫正者。

“资深工程师的经验并非不重要，反而会在Agent时代变得更重要，最终的把关还是由工程师来做决策。”他还提到，公司在运用Agent的实践过程中有一个重要观察，那就是验证比设计更重要——类似TDD（测试驱动开发），应先定义可执行验证，再让Agent生成、测试、诊断和修复。另外，文档正在成为新的代码——Spec Driven Development将成为主流模式。

不过，通往完全自动化的道路仍有一些关键挑战需要突破。传统的EDA工具主要面向人类工程师，未来需要开发面向Agent的工具，提供结构化的日志和可查询的上下文。同时，芯片研发常在断网的内网环境中进行，无法依赖商用大模型，需要构建内部部署的、安全可控的模型和运行环境。此外，当前的Agent仍是静态的，未来需要能够实现自我进化的Agent，通过知识库和失败归因，不断优化搜索和优化策略。