学习调试：基于 LLM 组织的知识树用于解决 RTL 断言失败

调试是现代硬件验证中占主导成本的环节，断言失败是最常见且最昂贵的错误类型之一。虽然大型语言模型（LLM）显示出前景，但往往未能捕捉到工程师在实际应用中所依赖的精确、可复用的专业知识，导致响应不准确。我们提出 GROVE（Learning to Debug: LLM-Organized Knowledge Trees for Solving RTL Assertion Failures），一个层次化知识管理框架，通过学习和组织可复用的调试知识形成 LLM 组织的知识树以解决断言失败问题。GROVE 从先前案例中提炼调试知识并组织成可配置深度的垂直树，其中每个节点编码简洁的知识项目及明确的适用条件。在训练期间，GROVE 使用并行、无梯度的循环，其中 LLM 通过学习从案例中提出树修改作为结构化 JSON 编辑。在测试阶段，执行预算感知的迭代缩放以遍历树，从而检索出一小组适用知识项目指导底部 LLM 的假设生成和修复建议。在一套断言失败案例上进行评估，GROVE 在 pass@1 和 pass@5 上均实现了一致的提升，展示了结构化知识演化的价值。