过去几年，人工智能进入芯片设计领域，主要经历了三个阶段：最早是机器学习帮助EDA工具搜索更好的功耗、性能和面积结果；随后是生成式AI成为工程师的“Copilot”，帮助生成代码、解释报告和修复问题；而Synopsys正在推进的AgentEngineer，则试图进入第三个阶段——让AI真正执行一段完整的工程流程。
2026年，Synopsys不断强化一个新的概念：Autonomous Engineering，自主工程。AgentEngineer正是这套战略的核心技术之一。它并不是一个单独的大模型，也不是简单给现有EDA软件增加一个聊天窗口，而是一套面向芯片与系统工程的多智能体编排与执行框架。
AgentEngineer的核心：从“调用工具”变成“完成目标”
传统EDA自动化大量依赖脚本。
工程师首先确定流程，然后使用Tcl、Python等脚本依次调用综合、Lint、仿真、时序分析、布局布线等工具。如果中间结果出现问题，通常需要工程师查看报告、分析原因、修改参数，再重新运行。
AgentEngineer试图改变这种工作方式。
工程师不再需要明确告诉系统每一步怎么操作，而是提供设计目标、规格、约束以及已有工程数据。上层智能体理解目标之后，将任务拆解，再由不同专业智能体调用Synopsys的EDA工具完成具体工作。
整个过程可以简单理解为：
工程目标 → 任务规划 → 专业Agent → EDA/仿真工具 → 分析结果 → 调整方案 → 再次执行 → 工程收敛
关键之处在于最后几个步骤。
传统脚本主要按照预先确定的路径运行，而AgentEngineer可以根据中间结果决定下一步操作。因此它真正瞄准的是芯片工程中最耗费人工的“运行—分析—修改—验证—再次运行”循环。
2026年3月的Synopsys Converge大会上，公司展示了其所谓的“L4”多智能体设计与验证流程。系统能够根据自然语言和形式化规格生成RTL，执行Lint检查，生成单元级Testbench，再调用验证工具不断迭代，直到逐渐达到目标。Synopsys披露，早期客户应用中生产率提升约2倍，部分案例达到5倍；这些数字属于厂商公布的测试和客户结果。
Orchestrator：AgentEngineer真正重要的角色
AgentEngineer体系中值得特别关注的，并不是某一个Agent，而是Orchestrator，也就是智能体编排器。
复杂芯片不可能依靠一个万能Agent完成设计。
RTL生成、验证、Debug、综合、布局布线、时序收敛、模拟电路、封装、热分析和电磁分析需要完全不同的工程知识。因此Synopsys采用的是多智能体体系：上层Orchestrator理解总体目标，再把任务交给领域Agent和任务Agent。
2026年DAC期间，Synopsys与NVIDIA展示了一套长时间自主运行的验证Closure流程。Orchestrator能够读取规格、设计、测试库和用户要求，然后协调不同Agent完成测试计划生成、覆盖率分析、验证和高级Debug，并不断闭环执行。Synopsys公布的演示数据称，该流程最高可将RTL验证速度提升50倍，同时覆盖率提高约20%。
因此，AgentEngineer的技术价值不能简单理解成“大模型会写SystemVerilog”。
更加重要的是：
它开始拥有管理整个工程流程的能力。
这也是Agentic AI与普通生成式AI在EDA领域最本质的区别。
从数字芯片走向模拟与混合信号设计
AgentEngineer目前的边界也已经超出RTL和数字验证。
Synopsys正在把Agentic AI延伸到模拟和混合信号设计。结合Custom Compiler Layout Synthesis，AgentEngineer可以协调电路创建、SPICE仿真、实现和验证等多个步骤。
工程师可以通过自然语言描述设计意图和性能指标，Agent再调用相应设计与仿真工具进行优化。Synopsys公布的早期结果显示，这类模拟设计Closure流程最高带来约3倍生产率提升。
这非常重要。
数字设计具有相对明确的逻辑和工具流程，而模拟设计通常更依赖工程经验，同时受到器件尺寸、寄生参数、版图结构和制造工艺的复杂影响。如果AgentEngineer能够进一步进入模拟设计，就意味着它正在从“代码工程智能体”演变成真正意义上的电子工程智能体。
与TSMC合作：让Agent开始理解先进制造约束
AgentEngineer进一步走向实际芯片工程，还必须解决另一个问题：
AI不仅要懂EDA，还必须懂制造工艺。
2026年9月23日，Synopsys与TSMC宣布进一步扩大合作，其中Agentic AI成为重点内容之一。双方正在TSMC A14先进制程上推进经过认证的数字和模拟EDA流程，并把Agentic AI能力引入其中。
Fusion Compiler开始利用LLM辅助分析不同设计阶段的结果，寻找时序以及PPA优化机会；Custom Compiler用于加速模拟设计迁移；更值得关注的是3DIC Compiler中新增加的Agentic AI Chiplet Floorplan Co-optimization流程，可以利用智能体自动执行复杂的Chiplet布局协同优化。
这一步的意义很大。
因为先进芯片工程中的Agent不能只知道“怎样使用布局布线软件”，还必须受到TSMC工艺设计规则、器件特性、互连结构、先进封装以及可靠性条件约束。
换句话说：
AgentEngineer正在从EDA Agent进一步走向Process-Aware Engineering Agent——能够在真实制造工艺约束下工作的工程智能体。
从A14进一步进入CoWoS和3DIC
AI芯片越来越不是一颗单独的大Die，而是由计算Chiplet、HBM、I/O Die、互连、电源和封装共同组成一个复杂系统。
因此AgentEngineer未来一个极其重要的应用场景，就是3DIC和Multi-Die。
Synopsys与TSMC已经把合作扩展到CoWoS和3DFabric。3DIC Compiler不仅承担Chiplet规划和实现，还开始结合AI进行Floorplan协同优化。同时双方正在研究CoWoS上的集成电压调节器设计，使工程师可以在统一环境中完成IVR与Multi-Die系统的协同设计和仿真。
此时Agent需要考虑的问题已经远远超出了传统Place & Route。
一个Chiplet移动几毫米，可能改变互连长度；互连变化又影响信号完整性和功耗；功率密度变化会改变温度；温度又会改变时序和可靠性。
因此芯片设计开始变成一个真正的多物理场系统优化问题。
而这正好连接到了Synopsys另一项关键资产——Ansys。
Ansys：补上AgentEngineer的“物理世界”
Synopsys在2025年7月完成对Ansys的收购，其意义并不仅仅是扩大软件产品线，而是让Synopsys从传统EDA公司进一步转向所谓的 Silicon-to-Systems 工程平台。
Ansys带来的核心能力，是热、流体、电磁、结构、机械、光学等多物理场仿真。
2026年Synopsys进一步推出 Multiphysics Fusion，开始真正融合Synopsys EDA与Ansys签核级分析技术。
例如芯片和Multi-Die设计可以同时考虑时序、功耗、电源完整性、电磁、信号完整性和温度影响，而不是芯片设计完成之后再分别导出数据进行分析。
这里实际上形成了一个非常关键的组合：
AgentEngineer负责“思考和执行”， Synopsys EDA负责“设计”， Ansys负责“物理世界验证”。
这可能才是Synopsys收购Ansys之后真正长期的重要价值。
AgentEngineer已经开始调用Ansys完成自主仿真
这种融合已经不再停留在规划阶段。
在2026年DAC上，Synopsys展示了一套自主电子热分析工作流。该系统基于AgentEngineer相关Agentic AI技术以及NVIDIA Agent Toolkit，并调用已经进入Synopsys产品体系的Ansys Icepak。
Agent能够自动进行仿真设置、前处理、求解以及后处理，从而减少传统CAE流程中大量人工配置工作。
这代表AgentEngineer的边界开始发生一个非常重要的扩展：
过去是：
AI Agent → EDA → 芯片
现在逐渐变成：
AI Agent → EDA + CAE → 芯片 + 封装 + 物理系统
一旦这种架构继续扩展，AgentEngineer理论上就可以协调电路设计、电磁分析、热分析甚至机械分析，在多个物理域之间不断寻找更好的系统设计。
这已经不再只是“AI辅助芯片设计”。
而是在向AI自主工程平台发展。
COUPE进一步体现“芯片到系统”
Synopsys与TSMC围绕共封装光学COUPE的合作，也体现了这种趋势。
双方正在建立电子与光子联合设计流程，其中已经涉及3DIC实现、Ansys Zemax OpticStudio光学仿真、Lumerical光子器件仿真、HFSS电磁分析，以及RedHawk-SC电热分析。
对于未来AI计算系统而言，这种能力尤其重要。
当GPU、HBM、Chiplet和光互连进入同一个封装以后，工程师面对的已经不是简单的“芯片设计”，而是电、热、光、电磁和机械同时耦合的问题。
AgentEngineer如果能够成为这些工具之上的统一智能体执行层，其最终价值就不只是自动操作Fusion Compiler，而是协调多个工程领域共同完成设计目标。
NVIDIA和Microsoft意味着AgentEngineer并不只绑定一个大模型
AgentEngineer另外一个值得注意的技术方向，是Synopsys正在强调开放和可互操作的Agentic AI Stack。
例如与NVIDIA合作的版本使用NVIDIA Agent Toolkit、Nemotron模型和OpenShell运行环境；与Microsoft合作则将AgentEngineer相关自主工作流部署到Microsoft Discovery，并结合Azure上的Fusion Compiler执行实现与Closure任务。
Synopsys与Microsoft和AMD展示的自主Debug Closure流程已经可以让领域Agent和任务Agent共同执行故障定位与根因分析，早期测试显示Debug周期缩短约25%到40%。
这说明AgentEngineer更应该被理解为一个工程智能体框架和执行层，而不是某一种特定大语言模型。
底层模型未来可以变化，但真正构成竞争壁垒的，很可能是EDA工具能力、工程知识、设计上下文、工艺数据、仿真能力，以及经过大量真实芯片项目形成的工作流程。
从EDA自动化走向Autonomous Engineering
如果把Synopsys近年来的技术演进放在一起，可以看到一条非常清楚的路线：
最开始，AI帮助EDA搜索更优解；
随后，Synopsys.ai Copilot帮助工程师写代码、解释问题；
现在，AgentEngineer开始自己规划和执行多步骤工程任务；
再结合TSMC先进工艺、CoWoS和3DFabric，它开始进入真实制造环境；
而通过Ansys Multiphysics Fusion，它又进一步进入热、电磁、光学和机械等真实物理世界。
因此，AgentEngineer真正值得关注的地方并不是它能不能生成RTL，而是它正在尝试建立一个新的工程抽象层：
人类工程师负责定义“我要什么”，AgentEngineer负责组织“怎样实现”。
工程师仍然负责系统架构、关键设计决策、风险控制以及最终审批，但大量重复的仿真、调参、验证、故障定位和设计迭代，可能逐渐转交给智能体。
从这个角度看，Synopsys正在尝试做的事情比“AI for EDA”更大。
其最终方向可以概括为：
AgentEngineer + Synopsys EDA + Ansys Multiphysics + Foundry Process
共同形成一个从规格、芯片、Chiplet、封装一直延伸到真实物理系统的自主工程体系。
如果这条路线能够真正建立成熟的跨工具、跨物理域和长时间自主运行能力，那么未来EDA软件最重要的变化可能不是增加更多功能按钮，而是发生一次根本性的交互方式转变：
从“工程师操作工具”，走向“工程师管理AI工程团队”。
这正是Synopsys所定义的 Autonomous Engineering——自主工程 的核心方向。
从技术上看，后续最值得持续观察的不是 AgentEngineer 又接入了哪个大模型，而是 三件事能否真正工程化：跨EDA/Ansys工具的长期任务记忆、Agent决策结果的可验证与可追溯，以及从RTL一直跨越3DIC和多物理场的闭环收敛能力。这三项最终决定它是“更聪明的自动化”，还是能够成为真正的自主工程平台。