不要重新生成，而是调试：用于修复接近成功的硬件算子的领域专用代理

一篇论文提出为GPU和NPU等硬件加速器生成内核时，不应丢弃未通过数值验证的候选kernel，而应进行调试。作者构建了一个领域专用调试代理，通过检索模式、诊断插桩、反作弊检测和收敛控制来解决自动修复中的三个核心挑战。实验显示，调试方法Pass@1为66.7%，远高于重新生成方法的25.9%。

传统方法在生成内核时大量丢弃接近成功的候选，浪费了其中蕴含的领域知识和计算资源。该论文提出将调试作为生成范式的补充，在缩小搜索空间的同时利用密集反馈，显著提高了修复成功率并降低了成本，可能推动硬件内核生成效率的实质提升。

调试与从零生成相比，搜索空间更小，反馈更密集。代理通过检索相关模式缓解知识稀缺，通过诊断插桩获取更多信息，借助反作弊检测确保修复的完整性，并通过收敛控制和有限迭代控制成本。调试既扩展了能力边界，又降低了每个可用算子的成本。

在硬件内核开发中，该方向可帮助团队更快获得通过数值验证的算子，减少LLM推理和硬件执行的资源消耗。实验表明，相比三轮重新生成，调试方法每个成功案例的token消耗减少92.8%，有望降低研发成本和缩短开发周期。

• 将此类调试代理集成到现有内核生成流水线中，替代单纯重新生成的策略，以提升算子修复成功率并降低推理成本。
• 基于该方法开发内部工具，用于自动化修复GPU/NPU kernel编译或数值验证失败，减少人工介入。
• 将调试代理的检索模式库构建为共享组件，支持不同硬件后端复用，加速新硬件的算子开发。
• 探索将调试代理与现有强化学习或进化搜索结合，作为其中一环，以利用失败样本中的知识。

• 该调试代理在多种硬件平台上的泛化能力如何？
• 反作弊检测和全覆盖评估的具体实现与成本是否已被验证？
• 该方法能否扩展到更复杂的内核或数值精度要求更高的场景？
• 调试代理的收敛控制和迭代上限如何设置，最佳参数尚不清楚？