ArchAgent 想用一队智能体，去啃「从一颗芯片到整座集群」的系统设计巨坑。10 月发表在 arXiv 的论文（编号 2610.23724，由阿贡国家实验室与伊利诺伊大学香槟分校的研究者提出）给出一套层级多智能体框架：一个 LLM 规划智能体先把庞大的系统设计拆成芯片、Scale-Up、Scale-Out 三类子问题，再交给专精的智能体分别处理。
层级分解：规划者切，专家做
现代 AI 与 HPC 系统的设计空间，横跨算力架构（GPU、数据流处理器、RISC-V 加速器）、存储技术（HBM、GDDR、SRAM）与互联（NVLink、UALink、Infinity Fabric、InfiniBand、Slingshot、Ultra Ethernet）。没有一种架构能在 LLM 训练、LLM 推理与 AI 耦合的 HPC 负载上通吃，而组合空间大到人工根本探索不动。ArchAgent 的应对是分层：顶层由一个 LLM 规划智能体负责把系统设计并解为芯片、Scale-Up、Scale-Out 三个子问题；每个子问题再交给专精的智能体处理。规划者只管拆解与汇总，专家只管各自那一层的细节权衡。
设计空间大到单智能体招架不住
论文的动机写得很直白：当算力、存储、互联三类维度各自都有多个选项，且彼此耦合时，组合出来的候选方案数量远超人工评估的极限。这恰恰是多智能体登场的理由——单个智能体既难记住全部约束，也难在每一层都做深。层级结构把「通才做一切」换成「一个规划者带一队专家」，既限制了每个智能体的上下文负担，又让专业判断能下沉到对应层级。这种「先分而治之、再汇总」的范式，和近期一大批把复杂工程任务交给多智能体协作的工作，思路一脉相承。
给系统设计自动化的一条旁注
这篇的增量认知，是把「异构系统协同设计」这一长期靠资深架构师拍板的难题，重新表达成了一个可分解、可委派的多智能体任务。它对做 AI 基础设施、芯片与集群设计的团队有参考意义——当设计变量多到人工难以穷举，分层多智能体提供了一种把专家经验程序化的路径。需要清醒的是，论文给出的是方法论框架，各子智能体的真实决策质量、不同负载下的推荐是否优于人类专家，仍需在更多真实设计任务上独立验证；且「规划者拆得对不对」本身就构成新的失效点，拆错了，下游专家再强也救不回来。把这篇和站内此前覆盖的「多智能体分工」「AI for Science 自动化」放在一条线上，智能体正从写代码、做分析，慢慢伸向「替人类做架构层面的探索」。
目前官方及行业暂未披露更多细节，包括各子智能体的具体实现、在真实芯片设计任务上的对比基准，以及方法对未见架构的泛化表现，后续将持续跟进迭代动态。这篇把「异构系统设计」从专家手艺，推进成了层级多智能体的可计算任务。