EDA 智能体给出“满足设计裕量”或“某处存在异常”的判断后,工程师需要追问的不是结论是否流畅,而是它能否回到具体仿真设置和原始数据。可追溯性意味着从最终判断出发,能够逐层核对分析依据,并区分物理仿真的结果与智能体对结果的解释。
建立证据链
一条可复核的证据链应连接验证目标、被分析的设计对象、仿真输入、求解过程、原始结果和裕量判断。以高速接口检查为例,工程师应能确认智能体分析了哪些网络,使用了哪些叠层、材料参数和约束,以及结论对应哪一组仿真数据。若只保留智能体生成的摘要,即使结论看似明确,也难以判断是否分析了正确对象。
还要记录任务是如何被拆解和执行的。编排智能体可能把自然语言目标分派给不同领域智能体;复核时需要看清各环节执行了什么、采用了哪些设置、哪些参数由系统选取,以及过程中是否出现异常。任务记录的价值不只是证明执行过,更在于暴露可能影响结论的选择。
核对结果与判断
原始波形、曲线或其他仿真结果应与提取参数、问题定位和设计裕量比对结果关联保存。工程师复核时,应从结论回查对应数据,再核对使用的约束和判定依据;如果约束发生变化,原有判断也需要重新审视。仿真引擎输出的是计算结果,智能体对异常位置和是否满足裕量的解释则是另一层判断,两者不应混为一谈。
归档时还应保留设计、配置和相关工具环境的版本信息,并记录人工确认或修改的节点。这样,当团队需要复核结论或重做分析时,才能辨认当时使用的条件;但保留记录本身并不保证一定能得到完全相同的结果。
选型或试用时,最直接的检验方式是挑选团队熟悉的接口或电源网络,让智能体给出结论,再要求沿证据链回查。重点看原始数据是否可访问、设置是否完整、判断依据能否与结果对应,以及工程师能否识别需要介入的环节。缺少这些信息的自动化报告,可以作为排查线索,不宜直接代替验证签核。
