AI Agent 工程师 / 研究助理（实习生）

我们正在招聘一名熟悉 AI Agent 开发、并对数字设计或 RTL 验证有一定理解的工程师 / 实习生 / 研究助理，参与构建面向 RTL 开发与验证任务的 AI Agent 系统。该岗位的目标是训练和评估 AI agents，使其能够根据高层行为模型、Python 参考模型、设计规格、接口描述或测试需求，辅助完成 RTL 代码生成、testbench 编写、验证用例生成、仿真调试和结果分析。 该岗位不是传统数字设计培训岗位，而是面向 AI + EDA 自动化的应用开发岗位。我们希望候选人已经做过 AI Agent、LLM 工具调用、自动代码生成、自动测试或类似项目，并愿意把这些能力应用到 RTL development 和 RTL verification 场景中。 主要职责 ● 构建用于 RTL 开发和验证的 AI Agent 工作流。 ● 设计 Agent 任务，例如根据 Python 行为模型生成 Verilog/SystemVerilog RTL、生成 testbench、编写 assertions、运行仿真、分析 waveform/log、定位失败原因。 ● 将 Agent 与仿真器、lint 工具、代码库、测试框架、文档系统或 EDA 命令行工具集成。 ● 设计评估体系，衡量 Agent 在 RTL 生成、bug 修复、验证覆盖率、测试生成、仿真通过率和调试能力方面的表现。 ● 准备 benchmark 任务、参考答案、评分规则和失败案例分析。 ● 基于高层行为模型，如 Python、C/C++、Matlab 或算法描述，设计 Agent 可执行的 RTL 开发与验证任务。 ● 分析 Agent 的失败模式，例如语法错误、时序逻辑错误、接口误解、测试不完整、仿真误判或 hallucination。 ● 与数字设计、验证和 AI 工程团队合作，将真实 RTL 工作流转化为可自动化、可评估的 Agent 任务。 ● 编写清晰的技术文档、实验记录、评估报告和使用说明。

基本要求 ● 本科、硕士或同等项目经验，专业可包括计算机科学、电子工程、微电子、集成电路、自动化、数据科学或相关方向。 ● 有实际 AI Agent / LLM 应用开发经验，能够展示过往项目、代码、Demo 或系统设计。 ● 熟悉 Python，能够编写脚本、调用 API、处理数据、构建自动化流程。 ● 理解 LLM 应用中的工具调用、RAG、prompt engineering、function calling、多步骤任务执行或 agent orchestration。 ● 对 RTL、数字逻辑、Verilog/SystemVerilog、仿真或验证流程有基本理解。 ● 能够使用命令行工具运行实验、收集结果并分析失败原因。 ● 具备良好的工程习惯，包括 Git、测试、文档和可复现实验流程。 ● 能够快速学习 EDA 工具链和数字设计/验证领域知识。 优先条件 ● 有使用 AI Agent 进行代码生成、自动调试、自动测试或工程自动化的项目经验。 ● 熟悉 Verilog、SystemVerilog、testbench、assertion、coverage 或 UVM 基础。 ● 使用过 Verilator、Icarus Verilog、VCS、Xcelium、Questa、Vivado、Yosys、OpenROAD 等工具。 ● 有 RTL 设计、RTL verification、FPGA、ASIC、SoC 或 RISC-V 项目经验。 ● 熟悉 Python-based hardware modeling 或验证工具，例如 cocotb、PyMTL、MyHDL、nmigen/amaranth、pytest 等。 ● 有 benchmark、evaluation harness、自动评分系统或 LLM eval 经验。 ● 熟悉 LangChain、LlamaIndex、AutoGen、CrewAI、OpenAI API、Anthropic API 或类似框架。 ● 理解编译器、程序分析、形式验证、符号执行或自动测试生成者优先。 ● 有 EDA automation、hardware/software co-design 或高层综合相关经验者优先。 示例项目 ● 构建一个 Agent，根据 Python 行为模型生成对应的 RTL 实现，并自动运行仿真测试。 ● 设计一个评估框架，测试 Agent 是否能正确实现 FIFO、arbiter、UART、ALU、pipeline stage、AXI-lite peripheral 等模块。 ● 开发 Agent 自动生成 cocotb 或 SystemVerilog testbench，并根据仿真结果迭代修复 RTL。 ● 让 Agent 读取 spec、接口定义和参考模型，生成 assertions 或 directed/random tests。 ● 构建自动化 loop：生成 RTL → 编译 → 仿真 → 读取错误日志 → 修改代码 → 重新测试。 ● 分析 Agent 在 RTL 任务中的失败案例，并改进 prompt、工具接口、上下文组织和评估方法。 ● 比较不同模型或 Agent 框架在 RTL development / verification 任务上的表现