Coco 以四层智能体平台把 TPU 协同设计中的仿真扫描接入 SQL 数据存储，报告了缩短仿真与洞察时间的早期部署经验

Coco 是一个与 TPU 架构师共同部署的智能体平台，用于加速协同设计生命周期中的实验搭建、仿真器扫描与洞察推导。 此前协同设计分析依赖人工在异构文件上处理数百 GB 的新仿真扫描数据，而 Coco 把这一流程组织为可复用的智能体平台。 文中描述为“deployed with TPU architects”的早期部署经验，并报告朝向缩短 time-to-simulation 与 time-to-insight 的方向，未给出具体量化数值。

平台采用四层架构：自动把每次仿真扫描注册进规范化关系模式的数据存储、带类型 API 且可由智能体自行组合的工具库、编码重复分析工作流的智能体、以及导航状态兼作智能体上下文的平台界面。 与让模型直接“chat-with-your-data”的做法不同，该设计让智能体的每个数字都锚定在 SQL 查询上，而不是抓取异构文件。 架构分层在摘要中被逐条列出，属于系统设计层面的说明，未提供各层的独立评测数据。

智能体编码了重复出现的分析工作流，其中最突出的是等执行分析，即在匹配的执行配置下比较系统，并纳入已被扫描但被支配、位于帕累托前沿之外的设计点。 把“在匹配执行配置下比较系统”这一分析模式固化为智能体工作流，使被支配点也能进入比较视野，而不只关注前沿点。 摘要以“most notably iso-execution analysis”点明该工作流，并说明其覆盖范围包含 off the Pareto frontier 的点，未给出该分析的具体案例结果。

作者主张协同设计是一个独特的智能体领域：其数据必须被检索而非记忆，其工作流重复出现但依赖上下文，专家采纳取决于在 IDE 式控制与交互式探索之间取得平衡的界面。 该主张把协同设计从通用智能体应用场景中区分出来，指出预训练语料中天然不存在这些证据、也没有外部文献可检索。 这是基于部署经验提出的领域论证，属于观点性总结，未附带对照实验或用户研究数据。

该工作面向硬件—软件协同设计场景，尤其是 ML 模型与加速器共同设计的分析流程，部署对象为 TPU 架构师。其适用前提是证据以仿真扫描形式存在、可被注册进规范化关系模式并通过 SQL 查询落地，且分析工作流具有重复出现但依赖上下文的特点。对面临同类“数据不在预训练语料中、也无外部文献可检索”问题的仿真密集型设计团队，这一四层结构提供了可参照的组织方式；对需要 IDE 式控制与交互式探索并存的专家用户，界面导航状态兼作智能体上下文的设计是可直接借鉴的交互思路。

文本为摘要级内容，未给出 time-to-simulation 与 time-to-insight 的具体缩减数值、测量方式或对照基线，因此“朝向缩短”的表述无法进一步核验。等执行分析在实际部署中的使用频率与效果、四层架构各层的独立贡献、以及专家采纳与界面平衡之间的具体关系，均未在文本中展开。此外，规范化关系模式如何覆盖异构仿真输出、类型化工具库的覆盖范围与组合方式，也属于需要阅读正文才能确认的开放问题。