从代码生成到综合优化，再到 ILA 在线调试，AMD 开源了一套面向 FPGA 和 SoC 开发的 AI Agent 技能体系。

随着大模型逐渐进入硬件开发领域，AI 辅助编写 Verilog、生成 HLS 代码已经不算新鲜事。不过，FPGA 开发真正复杂的地方，往往并不是代码本身，而是整个开发流程：RTL 仿真、时序约束、综合实现、资源优化、板级调试，以及各种工具和技术文档之间的协同。

AMD 推出的 ROSS Agentic AI Assistant，正是希望把 AI 的应用从单纯的代码辅助，进一步扩展到实际的 FPGA 和嵌入式开发工作流中。

这套工具不只是一个能够回答 Vivado 问题的聊天机器人。它通过 Agent Skills 和 MCP 等开放标准，将 AI 与 Vivado、Vitis HLS、硬件调试工具以及 AMD 技术文档连接起来，让 AI 能够根据任务调用相应的工具，执行具体的开发操作。

项目目前已经在 GitHub 开源，包含多种面向 FPGA、HLS、硬件调试和 Vitis AI 的技能，以及示例工程和使用文档。

项目地址：

GitHub：https://github.com/xilinx/ross-ai-assistant

AMD 官方下载页面：

https://www.amd.com/en/support/downloads/ross-agentic-ai.html

AMD在线文档知识库

https://ross.amd.com/chat

介绍

PS：可跳过，都是AI写的...

ROSS 是什么？

ROSS 的全称是 AMD Ross Agentic AI Assistant。AMD 将其定位为一套与具体 AI 客户端无关的 Agentic AI 助手，主要用于加速 AMD 嵌入式开发工具链中的多领域工作流。

简单理解，ROSS 的目标是让开发者通过自然语言描述设计意图，由 AI 调用工具、执行任务，并将开发流程中的多个环节串联起来。

传统 AI 编程助手主要关注代码生成与修改。例如，让 AI 编写一个 AXI4-Lite 寄存器模块，或者生成一个简单的 HLS 图像处理函数。

而 ROSS 的应用场景更进一步。

假设我们正在开发一个 FPGA 图像处理模块，需要完成以下工作：

根据算法需求生成 HLS C++ 代码。
设计流水线架构，优化数据流。
运行 C 仿真与综合，查看资源占用和性能报告。
根据目标时钟频率和资源限制，反复调整代码。
生成或检查 RTL，执行仿真。

将设计部署到 FPGA 后，通过 ILA 抓取信号，分析实际硬件问题。

在传统流程中，这些任务涉及多个工具、不同类型的报告，以及大量人工操作。

使用 ROSS，开发者可以通过自然语言提出任务，AI 根据任务调用不同的技能，借助 Vivado MCP Server 与工具交互，再根据结果决定下一步操作。

需要说明的是，ROSS 并不是一个能够自动理解所有 FPGA 设计并保证一次成功的工具。它提供的是一套面向具体开发任务的自动化能力，最终设计结果仍需要工程师检查和验证。

核心技术：Agent Skills + MCP

理解 ROSS，首先要了解两个关键概念：Agent Skills 和 MCP。

1. Agent Skills：将 FPGA 开发经验封装成可调用的技能

Agent Skills 可以理解为一组面向特定任务的操作说明、知识和执行流程。

与直接向 AI 提问不同，技能会告诉 Agent：

当前任务应该完成什么。
需要读取哪些输入和文件。
应该按照什么步骤执行。
可以调用哪些工具。
如何分析执行结果。
任务完成后应该输出什么。

例如，ROSS 中的 hls-optimize 技能主要用于迭代优化 HLS 内核。

开发者可以给出原始代码、目标器件、时钟要求、资源限制等信息。Agent 随后根据技能定义，调用相关辅助技能，执行 HLS 编译流程，提取综合报告，并根据结果尝试调整设计。

这里的关键是：技能不只是提供一段提示词，还可以组织多个任务步骤，形成相对完整的开发工作流。

ROSS 将大量 FPGA 开发任务拆分成独立技能，再通过主技能调用辅助技能。这种结构有利于复用开发经验，也方便后续扩展。

MCP：让 AI 真正连接 Vivado

MCP（Model Context Protocol）是一种用于连接 AI 应用与外部工具、数据源的开放协议。

在 ROSS 中，MCP 的作用是为 AI 提供与开发工具交互的接口。

其中，Vivado MCP Server 是关键组件，主要支持：

执行 Vivado Tcl 命令。
管理 Vivado 工程。
执行综合和实现流程。
与 Vivado 硬件调试功能交互。

这意味着 AI 不再局限于根据开发者粘贴的代码和日志进行分析，还可以在授权和配置的环境中直接调用 Vivado 功能，获取真实的工具执行结果。

例如，开发者可以提出：

“检查当前工程中的时序违例，并分析关键路径。”

在相应的技能与工具支持下，Agent 可以调用 Vivado 获取时序报告，再根据报告中的路径、延迟和逻辑结构进行分析。

MCP 负责工具连接，Agent Skills 负责任务流程，两者配合，构成了 ROSS 的核心架构。

PS:废话结束

快速安装入门

先决条件

对于 Vivado AI Assistant（MCP 服务器）：

Vivado 2026.1已安装，并设置好PATH

以下选项之一（不可同时选择）：

Vivado AI Assistant Extension VSIX — 适用于 IDE 设置（VS Code / Cursor）。该扩展程序捆绑了 MCP 服务器。
Vivado MCP 服务器二进制文件——适用于 CLI 设置（Claude Code、Copilot CLI、Codex）。安装到类似这样的目录~/tools/。
正在进行的 Vivado 会话或设计检查点 (DCP) 可供使用.

适用于 Vitis HLS AI 助手（代理技能）：

Vitis Unified IDE已安装并获得许可——在获取源代码后settings64.sh，v++ --version两者vitis-run --version应该都能正常工作。
具备相应技能的 AI 客户端：VS Code、Cursor、Claude Code、Codex CLI 或 GitHub Copilot CLI
（可选） Vivado MCP 服务器，用于获取基于 AMD 文档的答案vivado_doc_search

版本兼容性：已测试版本为Vivado 2026.1和 Vitis 2026.1。MCP服务器通过其标准 Tcl 接口与 Vivado 通信，因此在架构上与所有已发布的 Vivado 版本兼容(2020.2以上)。各个技能和示例会注明其各自支持的最低版本（请参阅每个技能SKILL.md和每个示例的说明README.md）。

这次我们使用VS Code插件使用，打开VS Code安装插件：

转到“扩展”侧边栏 > 点击...>从 VSIX 安装...（或者直接将插件拖过去即可）

命令行：

# VS Code
code --install-extension vivado-ai-extension-<version>.vsix

# Cursor
cursor --install-extension vivado-ai-extension-<version>.vsix

选择已下载的.vsix文件

配置 Vivado 路径

安装扩展程序后，设置 Vivado 可执行文件的路径：

打开设置（Ctrl+,）
搜索Vivado 路径
输入 Vivado 二进制文件的完整路径（例如，/tools/Xilinx/Vivado/2026.1/bin/vivado）。

如果系统上已经安装了 Vivado PATH，则此步骤为可选步骤——扩展程序会自动检测。但是，显式设置路径可以避免安装多个版本时出现问题。

开始使用

接下来就可以通过自己电脑里的AI工具调用即可，可以直接使用VS Code里的模型进行调用，也可以直接使用自己的软件进行调用，我这里使用WorkBuddy调用：

PS:给AI安装包直接让他自己安装自己设置就行，上面有点复杂了。

skills

vitis部分提供了很多hls相关的skills，这是xilinx推广AI的重要部分，在这方面多放些精力也是对的。

vivado部分提供了ip配置，版本控制，RTL lint，解析，仿真，methodology检查相关的skill

重点还是ila和vio的skills，这样就方便AI调用在线调试了。

本地知识库

对于不希望使用在线文档搜索服务的场景，AMD 还提供了本地知识库方案。

官方页面提供了包含 AMD 文档和 Embedding 模型的下载包，其中包括基于 Qwen3 Embedding 0.6B 和 EmbeddingGemma 300M 的版本。

本地知识库的主要作用是让文档检索在本地环境中运行，减少对托管文档搜索服务的依赖。

需要注意，本地知识库主要解决的是文档检索问题，并不意味着整个 AI 模型推理、MCP 服务和 Vivado 工具链都自动变成完全离线环境。实际部署时还需要单独确认 AI 客户端的模型连接和数据传输方式。

总结

从目前公开的技能体系来看，ROSS 的重点并不是替代 Vivado、Vitis HLS 或 FPGA 工程师，而是将 AI 引入开发工具链中的更多实际操作。

过去，AI 辅助 FPGA 开发主要集中在代码生成和技术问答。

现在，随着 MCP 和 Agent Skills 的引入，AI 可以进一步参与：

工程管理。
RTL 检查和仿真。
HLS 架构设计与性能优化。
综合报告分析。
ILA 波形采集。
VIO 在线调试。
技术文档检索。
AI 模型编译与优化。

这让 AI 辅助开发从“给出建议”，逐渐延伸到“调用工具执行任务，再根据结果调整方案”。

对于希望尝试 AI 辅助硬件开发的工程师，可以从一个简单的 HLS 优化任务或 RTL 仿真诊断任务开始，逐步熟悉 ROSS 的技能调用方式，再扩展到真实工程和板级调试场景。

本次需要的文件