AgRefactor: Self-Evolving Agentic Workflow for HLS Compatibility and Performance

背景

High-Level Synthesis（HLS，高层次综合）技术为软件算法到硅片硬件的快速转化提供了一条捷径。然而，将真实世界的软件代码转换为可综合的 HLS 代码依然面临巨大挑战：一方面，HLS 工具对 C/C++ 等高级语言的支持存在诸多限制；另一方面，软件编程与硬件设计在编程范式和实践上存在天然的鸿沟。

现有的自动化重构方法和基于 LLM 的尝试虽然部分缓解了这一问题，但普遍存在灵活性不足、难以规模化以及计算成本高昂等痛点。为了突破这些瓶颈，研究者提出了 AgRefactor，旨在实现高效、低成本且具备跨任务迁移能力的软件到 HLS 代码的自动重构与优化。

核心内容

AgRefactor 是一个基于 LLM 的 multi-agent workflow（多智能体工作流），其核心目标是将真实世界的软件程序重构为 HLS 兼容的代码，并在此基础上进行性能优化。该工作主要包含以下三个核心机制与成果：

1. 自进化记忆系统：AgRefactor 引入了 self-evolving memory system（自进化记忆系统）。该系统能够在不同任务间积累和检索事实性知识与策略性知识。当面对未见过的程序时，这种记忆机制能够显著提升重构的鲁棒性和效率，避免了每次任务都从零开始的局限。