读懂论文，保留问题。 每日读一篇相关论文，关注作者提出了什么问题、如何论证，以及留下了哪些值得继续思考的疑问。
| 方向 | 关注的问题 |
|---|---|
| AI for Silicon / EDA | Agent 如何生成、优化与验证硬件设计？ |
| 编译器与 GPU 工具链 | AI 如何参与程序变换、kernel 优化与工具链测试？ |
| 规格、验证与评测 | 如何表达约束、构造可靠反馈、识别错误与评测漏洞？ |
| 知识与工程工作流 | 如何沉淀领域经验、组织工具调用、衡量可靠性与成本？ |
每篇包含论文定位、简短中文导读、arXiv / 全文 / alphaXiv 入口、阅读路线、思想启发，以及 3 个思考问题；参考思路默认折叠。优先开放全文和有实验依据的工作，也收录能明确提出研究问题的观点论文，并区分作者结论、作者预测和导读者的延伸。
新论文与经典工作结合，按论文编号去重。没有合适新作时回读经典，不以新闻凑数。
JAZ 把提示与执行历史暴露为可编程对象，让 Agent 自行交接和检索上下文。实验支持这种接口的价值，却也留下一个边界：保存完整历史、找对证据、正确运用证据，是三种不同的能力。
Evolving Agent Teams 让监督者随搜索瓶颈重组角色与知识共享方式。它提供了有力的系统比较，也留下一个因果问题：突破究竟来自重组，还是随之改变的信息与搜索约束？
把评价对象从单个电路换成候选集合，奖励也随历史改变。这篇多目标强化学习论文追问：生成器应该反复找到高分答案，还是补上尚未覆盖的设计取舍？
一篇小规模覆盖率闭环研究坦率暴露了证据缺口：生成测试命中目标，独立 scoreboard 检查的却是另一套刺激。两个真实结果为何不能自动组成更强结论？
EdgeKernelBench 用统一 IR 评测异构边缘设备上的 kernel 生成；LEKA 按表示层分工。结果支持这套系统有效，但编译器边界是否恰好对应推理边界，仍是开放问题。
PatternBench 同时测量加速与指定变换的结构证据。它让优化评测更可解释，也留下一个边界：检查器认不出的代码，究竟是没有完成目标，还是选择了另一条有效路线？
八项 EDA Agent 研究尝试保留了成功与失败：正确电路不一定来自通用优化算法，精确求解代理目标也不一定改善物理结果。论文追问，当探索变便宜，什么证据才足以支持研究贡献？
这篇论文把超越函数保留为不透明符号，证明生成 kernel 与形式规格对同一符号的使用一致。关键问题是：这种对任意函数都成立的定理，为什么仍依赖真实实现采用同一个函数？
Racer 把 PTX 中的浮点运算解释为精确实数运算，寻找被测试容差掩盖的逻辑错误。它让我们区分：证明公式相同，与证明机器计算的数值误差可接受，是两种不同的正确性主张。
TileCas 让 kernel Agent 在高层 DSL 与低层原生代码之间切换，并保留可回访的候选分支。它用随机路由和同检查点干预说明：收益不只来自多一种表示，还来自何时切换、从哪个历史候选继续。