本文信息来源于 Cadence 官方支持网站，包括 JedAI Platform (Server) User Guide 25.14 与 Installation Guide 25.14。
JedAI 是什么
JedAI（Joint Enterprise Data and AI）是 Cadence 推出的企业级 AI 与数据平台，定位为 Cadence “通往自主设计之旅（Journey to Autonomous Design）”的核心 AI 基础设施。它将大语言模型（LLM）能力与 EDA 工具链深度融合，支持从第 2 级（对话式 LLM）到第 4 级（多步骤 Agentic 工作流）的自动化程度演进。
JedAI 由两大平台构成：
LLM 基础设施平台
| 组件 | 说明 |
|---|---|
| Model Gateway | OpenAI 兼容 API，统一接入云端与本地模型 |
| Tool Calling（MCP） | 通过 Model Context Protocol 调用 Genus、Conformal、Virtuoso 等 EDA 工具 |
| Index Server + RAG | 基于向量数据库的检索增强生成，索引 Cadence 产品文档 |
| GPU Server | 本地大模型推理（A100/H100/H200/AMD MI300X 集群） |
| 安全与管理 | LDAP 集成、HTTPS/TLS、用户权限管理 |
数据平台
| 组件 | 说明 |
|---|---|
| Catalog | 数据资产目录管理 |
| Analytics Engine | 支持 Pandas / Spark 分析引擎 |
| Pipeline / Workflow | ML 流水线与任务调度 |
| MLOps | 模型训练、版本管理 |
| Notebook | 交互式数据分析（类 Jupyter） |
| Dashboard / App | 可视化与应用层 |
在数字芯片设计全流程中的使用场景
1. EDA 文档智能问答
通过内置的 RAG（检索增强生成）机制，JedAI 将 Cadence 全系产品的 User Guide 和 ASK 门户文章向量化存入数据库，工程师可以用自然语言提问，直接获取精准的工具使用说明。
示例提示：
1
2
3
4
> How to fix setup timing violations in Innovus?
> Look up the usage of place_opt_design, then write me a script
> Search for clock tree synthesis documentation in Innovus
> List all available Cadence knowledge bases
JedAI Documentation MCP Server 提供两个核心 API：
search_cadence_knowledge(query, product, version, k)— 按产品版本检索文档list_cadence_knowledge— 列出所有已索引的知识库
2. IDE 集成（VSCode / 终端）
JedAI 支持两种工程师日常开发界面：
- VSCode Continue 插件：通过 OpenAI 兼容 API 接入 JedAI，在 IDE 内直接访问 Cadence 知识库，辅助编写 Tcl/Python EDA 脚本。
- OpenCode 终端助手：专为 SSH 远程 Linux 环境设计，无需图形界面，在服务器终端内即可使用 AI 能力。
支持的模型包括：Gemini 2.5 Pro、Llama 3.3、DeepSeek R1、Claude Sonnet 4。
3. Tool Calling：AI 直接调用 EDA 工具
JedAI 通过 Model Context Protocol（MCP）实现 AI 与 EDA 工具的双向调用：
- Genus（逻辑综合）：AI 可自动调用 Genus，完成时序约束优化、面积/功耗权衡分析
- Conformal（形式验证）：AI 辅助分析等价性验证结果，定位逻辑差异
- Virtuoso（模拟/版图）：AI 接入原理图与版图设计环境，支持参数配置与 DRC 结果解读
lite_config.yaml 中的配置示例：
1
product: "cdn_virtuoso"
4. Agentic AI（JedAI AAI）：多步骤自动化工作流
JedAI AAI（Agentic AI）是 JedAI 平台的最高自动化层级，采用Hub-and-Spoke 架构：
- Internal MCP Server：提供内部工具调用接口
- External MCP Client：连接外部知识库与工具
AI Agent 可以自主执行多步骤任务：拉取约束文件 → 调用 Genus 综合 → 检查时序报告 → 修改约束 → 重新综合，形成闭环自动化流程，对应 Cadence”自主设计”第 4 级能力。
5. ML 数据平台：支撑 AI 驱动的物理设计优化
JedAI 数据平台（Data Platform）为 Cadence 旗下 AI 驱动工具（如 Cerebrus AI Studio）提供底层支撑：
- 管理 Place & Route 过程中的 ML 训练数据集
- 存储和版本化 timing/power/area 等 QoR 指标
- MLOps 流水线负责模型训练与迭代优化
注：Cadence Cerebrus 在 v25.20 之前使用 JedAI（称为”JEDAI Legacy”）作为其 AI 平台。v25.20 起迁移至 Cerebrus AI Studio，但底层 JedAI 基础设施逻辑保持一致。
部署所需硬件与网络条件
信息来源：JedAI Platform (Server) Installation Guide 25.14
CPU 服务器（必须部署）
承载 JedAI 核心服务：Model Gateway、Index Server、RAG、Web UI 等。
| 指标 | 最低配置 | 标准配置 |
|---|---|---|
| CPU 核数 | 4 核 | 36 核 |
| 内存 | 32 GB | 184 GB |
| 磁盘 | 100 GB | 1,000 GB |
架构与指令集要求：
- 处理器架构：x86_64（不支持 ARM）
- SSE4.2（必须）、AVX2（推荐）、AVX512（可选，最优性能）
操作系统（支持）：
- RHEL / Rocky Linux / CentOS 8.10
- Ubuntu 18.04 及以上
系统参数：
- 文件描述符（File Descriptors）：最低 4,096，推荐 65,536+
软件依赖（需预装）：
- GCC 4.8.5+、Libstdc++ 4.8.5+、GNU Tar 1.26+、Python 3.9+
安装过程中会自动部署：Python 3.9.6、NPM 6.14.11、Nginx 1.20.0
用户权限： 需专用 Linux 管理用户，无需 root/sudo 权限
GPU 服务器（可选，本地 LLM 推理时需要）
如使用云端 LLM（OpenAI、Gemini 等），则无需 GPU 服务器。
| 指标 | 最低配置 | 标准配置 |
|---|---|---|
| CPU 核数 | 16 核 | 16 核 |
| GPU | 1× Nvidia A100/H100（80GB+）或 AMD MI300X（192GB HBM3） | 8× A100/H100（各 80GB）或 8× AMD MI300X |
| 内存 | 256 GB | 256 GB |
| 磁盘 | 500 GB | 1,000 GB |
操作系统： RHEL 8.4 或更高版本
GPU 系统软件： PyTorch 2.3.0 + CUDA 12.1、nvidia-smi、glibc 2.31+
各模型最低 GPU 需求
| 模型 | 最低 GPU 配置 | 磁盘 |
|---|---|---|
| Llama 3.1 8B | 1× A100/H100 (80GB) | 16 GB |
| Llama 3.1 70B | 4× A100/H100 (80GB) | 132 GB |
| Llama 3.3-Nemotron 49B | 2× H200 (140GB) | 100 GB |
| Qwen3-32B | 2× A100 或 1× H200 | 62 GB |
| GPT-OSS-120B | 1× H200 (140GB) | 114 GB |
| DeepSeek-R1-671B | 8× H200 (140GB) | 1,300 GB |
并发用户场景参考（DeepSeek-R1-671B）：
- 1 用户 / 4096 token 上下文：需 18× A100 或 11× H200
- 10 用户 / 4096 token 上下文：需 26× A100 或 15× H200
- 10 用户 / 128K 长上下文：GPU 需求显著增加
网络要求
- 端口范围：5000–5020（默认，可配置），共分配 17–19 个微服务端口
- 各机器间（CPU 节点 ↔ GPU 节点 ↔ 用户终端）需互通上述端口段
- 可选配置 HTTPS/TLS（部署向导支持证书管理）
- 可选对接 LDAP/企业目录（Active Directory 等）
最小可用部署方案汇总
| 场景 | 节点 | 配置 |
|---|---|---|
| 测试/体验（接云端 LLM） | 1 台 CPU 服务器 | 4 核 / 32GB / 100GB，RHEL 8.x |
| 生产（接云端 LLM） | 1 台 CPU 服务器 | 36 核 / 184GB / 1TB，RHEL 8.x |
| 生产（本地 Llama 8B） | CPU + 1 台 GPU 服务器 | GPU: 16核 / 1× A100-80G / 256GB / 500GB |
| 生产（本地 DeepSeek-R1） | CPU + 高配 GPU 集群 | 至少 8× H200 (140GB)，1.3TB 模型磁盘 |
参考资料
附录
Cadence “The Journey to Autonomous Design / Autonomous Chip Design” 这套分级一共有 5 级。从 Level 1 到 Level 5 分别是：Optimization AI、Conversational LLM、Complex Reasoning、Agentic Workflows、Autonomy。
| 级别 | 名称 | 核心含义 | EDA / IC 场景理解 |
|---|---|---|---|
| Level 1 | Optimization AI | 优化型 AI | 针对特定任务做优化，例如 regression 优化、资源调度优化、PPA 优化、布局布线局部优化 |
| Level 2 | Conversational LLM | 对话式 LLM | 能回答问题、解释日志、总结文档、辅助写脚本，但主要还是“人问、AI 答” |
| Level 3 | Complex Reasoning | 复杂推理 | 能结合上下文、设计信息、工具日志、多轮分析做较复杂判断，例如定位仿真失败原因、解释 timing / LVS / DRC 问题 |
| Level 4 | Agentic Workflows | 多步骤 Agentic 工作流 | 多个 Agent 或流程节点协作，能调用工具、执行步骤、检查结果、迭代修正，例如自动跑仿真、读 log、改 testcase、重跑验证 |
| Level 5 | Autonomy | 自主化 | 更高程度自主完成目标，从需求/规格到实现、验证、优化形成闭环，人主要做目标设定、约束确认和最终审批 |
