超越扩展：自进化LLM智能体通过经验驱动工作流与经验图记忆优化硬件内核

KOPE是一个用于硬件kernel优化的经验驱动框架，通过Experience Graph Memory记录优化轨迹及反馈，并在固定token预算下检索相关经验。在GLM-5.2设置下，其每算子加速比几何平均为CANNBot的1.54倍。在53算子消融实验中，Active Context Management and Injection将通过率从60.0%提升至84.6%，正字段几何平均从0.0382升至0.0661，并将优化token消耗从159亿降至11.13亿。

此前kernel优化智能体难以从历史优化中学习，而KOPE通过经验图记忆保留决策、反馈及分支，实现跨任务经验复用，显著提升优化性能和效率，表明LLM智能体在硬件优化中可从经验积累中获益，为相关工具的研发提供新方向。

KOPE将优化轨迹（决策、结果、反馈及备选分支）存入图结构记忆，通过Active Context Management and Injection在固定token预算内检索最相关的历史经验，用于指导当前及后续优化步骤。这种机制使智能体能利用目标硬件上积累的证据，避免重复试错，从而提升优化效率和效果。

对依赖硬件kernel优化的AI芯片或编译器产品，KOPE可大幅提升优化效率（token消耗降为1/14）并提高通过率，可能降低研发成本并加速产品迭代。但论文未提及实际部署场景，具体影响需结合产品验证。

• 将KOPE集成到kernel优化工具链，通过经验图记忆复用历史优化结果，预期可减少手动调优工作量。
• 开发基于KOPE的自动化kernel优化服务，面向AI芯片厂商提供优化即服务能力。
• 结合GLM等基础模型，优化现有智能体框架的记忆管理策略，以提升长任务优化性能。

• KOPE在真实硬件上的通用性和稳定性尚未经过大规模验证。
• 经验图记忆的构建和维护成本（如存储和检索延迟）未被证据提及。
• KOPE与CANNBot的对比是否在其他基础模型设置下保持一致尚无证据。
• Active Context Management的token预算如何选择以达到最优平衡，仍需更多实验证据。