# TBgen_App - 自动化 Testbench 生成工具

基于 CorrectBench 的多阶段自动化 Testbench 生成工具，支持根据 DUT 和项目描述生成 Verilog Testbench。

## 功能特性

- **多阶段流程**: TBgen → TBsim → TBcheck → CGA → TBeval
- **多种模型支持**: Qwen, GPT, Claude 等主流 LLM
- **自动化评估**: 支持覆盖率评估和 Mutant Kill 检测
- **灵活配置**: 通过 YAML 配置文件自定义各项参数

---

## 目录结构

```
TBgen_App/
├── config/                  # 配置文件夹
│   ├── config.py            # 配置加载模块
│   ├── default.yaml         # 默认配置
│   └── key_API.json         # API密钥（需用户填写）
├── autoline/                 # 核心流程模块
│   ├── TB_autoline.py       # 主流程编排
│   ├── TB1_gen.py           # TB生成
│   ├── TB2_syncheck.py      # 语法检查
│   ├── TB3_funccheck.py     # 功能检查
│   ├── TB4_eval.py          # 评估
│   └── TB_cga.py            # CGA优化
├── prompt_scripts/           # Prompt脚本
├── data/                    # 数据集管理
├── utils/                   # 工具函数
├── LLM_call.py              # LLM调用
├── loader_saver.py          # 文件加载保存
├── main.py                  # 命令行入口
├── run_tbgen.py             # Python API
├── requirements.txt
└── README.md
```

---

## 使用前配置

### 1. 安装依赖

```bash
cd TBgen_App

# 创建虚拟环境（推荐）
python3 -m venv venv
source venv/bin/activate

# 安装依赖
pip install -r requirements.txt
pip install matplotlib
```

### 2. 配置 API 密钥（必须）

编辑 `config/key_API.json`，填入您的 API 密钥:

```json
{
    "OPENAI_API_KEY": "your-openai-key",
    "ANTHROPIC_API_KEY": "your-anthropic-key",
    "dashscope": "your-dashscope-key"
}
```

**注意**: 当前工具主要使用 `dashscope` (Qwen模型)，请确保填入有效的阿里云API密钥。

### 3. 选择模型

**配置文件位置**: `config/custom.yaml`

支持的模型:
- **Qwen**: `qwen-max`, `qwen-plus`, `qwen-cursor`
- **GPT**: `gpt-4o`, `gpt-4o-mini`, `gpt-4-turbo`
- **Claude**: `claude-3-5-sonnet`, `claude-3-opus`

**修改位置** (第6行):
```yaml
gpt:
    model: "qwen-max"  # 修改这里选择模型
```

例如使用 GPT-4o:
```yaml
gpt:
    model: "gpt-4o"
```

**注意**: 当前工具主要使用 `dashscope` (Qwen模型)，请确保在 `config/key_API.json` 中填入有效的阿里云API密钥。

---

## 使用方法

### 方式一：配置文件运行（推荐）

1. **修改配置文件** `config/custom.yaml`：
```yaml
autoline:
    probset:
        path: "/home/zhang/CorrectBench/data/HDLBits/HDLBits_data.jsonl"
        only: ['fsm_ps2']  # 指定要运行的题目
gpt:
    model: "qwen-max"  # 指定模型
save:
    root: "./output/fsm_ps2/"  # 指定输出目录
```

2. **运行**：
```bash
cd /home/zhang/CorrectBench/TBgen_App
source venv/bin/activate
./venv/bin/python -c "
import sys
sys.path.insert(0, '.')
from autoline.TB_autoline import run_autoline
run_autoline()
"
```


---

## 输入说明

### 1. dut_code / -d DUT文件

**必需**。DUT的完整Verilog代码，包括：
- module声明
- 所有端口定义
- 实现逻辑

### 2. description / -w 描述文件

**必需**。项目需求描述，应该包含：
- 功能说明
- 输入输出规格
- 端口定义
- 特殊要求或边界条件

**示例**:
```
一个8位无符号乘法器：
- 输入: a[7:0], b[7:0] (8位无符号数)
- 输出: y[15:0] (16位乘积)
- 复位: rst (同步高有效)
- 时钟: clk (上升沿触发)
```

### 3. header / --header

**必需**。DUT的module声明行，用于提取端口信息。

格式: `module module_name(端口列表);`

示例:
```verilog
module multiplier(input clk, input rst, input [7:0] a, input [7:0] b, output reg [15:0] y);
```

---

## 输出说明

### 1. 主输出目录

```
output/{task_id}/
└── {task_id}/
    ├── final_TB.v          # 最终Verilog Testbench
    ├── final_TB.py         # Python校验脚本
    ├── run_info.json       # 运行信息
    └── run_info_short.json # 简化运行信息
```

### 2. 完整输出目录（含中间文件）

```
output/{task_id}/{task_id}/
├── final_TB.v              # 最终TB
├── final_TB.py             # Python Checker
├── run_info.json           # 详细运行信息
├── 1_TBgen/                # TB生成阶段
│   ├── stage_0.txt         # LLM对话 (Circuit Type检测)
│   ├── stage_1.txt         # LLM对话 (Spec生成)
│   ├── stage_2.txt         # LLM对话 (Scenario生成)
│   ├── stage_3.txt         # LLM对话 (Python规则生成)
│   ├── stage_4.txt         # LLM对话 (TB代码生成)
│   ├── stage_4b.txt        # LLM对话 (SEQ优化)
│   ├── stage_5.txt         # LLM对话 (Pychecker代码)
│   ├── stage_checklist.txt # Checklist检查
│   └── TBgen_codes/        # 生成的TB代码
│       ├── {task_id}_tb.v  # TB Verilog代码
│       └── {task_id}_tb.py # TB Python Checker
└── ...
```

### 3. 返回结果字典

```python
{
    "TB_code_v": "...",      # TB Verilog代码
    "TB_code_py": "...",      # TB Python代码
    "run_info": {...},        # 详细运行信息
    "cga_coverage": 0.0,      # CGA覆盖率
    "full_pass": None         # 是否全部通过
}
```

---

### 配置文件详解

> 配置文件位于 `config/custom.yaml`，所有参数修改在此文件中进行。

#### 1. 指定要运行的题目

```yaml
autoline:
    probset:
        path: "/home/zhang/CorrectBench/data/HDLBits/HDLBits_data.jsonl"
        only: ['fsm_ps2']  # 只运行 fsm_ps2 题目
```

如需运行多个题目：
```yaml
only: ['fsm_ps2', 'rule110', 'lemmings3']
```

#### 2. 指定模型

编辑 `config/custom.yaml`，修改 `gpt.model` 字段：

```yaml
gpt:
    model: "qwen-max"  # 可选: qwen-max, qwen-plus, gpt-4o, gpt-4o-mini, claude-3-5-sonnet 等
```

支持的模型列表：
| 模型 | model 参数值 |
|------|-------------|
| Qwen Max | `qwen-max` |
| Qwen Plus | `qwen-plus` |
| GPT-4o | `gpt-4o` |
| GPT-4o Mini | `gpt-4o-mini` |
| Claude 3.5 Sonnet | `claude-3-5-sonnet` |
| Claude 3 Opus | `claude-3-opus` |

#### 3. 指定输出目录

```yaml
save:
    root: "/home/zhang/CorrectBench/TBgen_App/output/fsm_ps2/"
```

#### 4. 运行模式

```yaml
autoline:
    onlyrun: "TBgensimeval"  # 生成+检查+评估(不含CGA)
    # onlyrun: null           # 完整流程 (gen→sim→check→cga→eval)
    # onlyrun: "TBgen"        # 仅生成TB
    # onlyrun: "TBgensim"     # 生成+语法检查
```

#### 5. CGA 覆盖率优化

```yaml
autoline:
    cga:
        enabled: True           # 是否启用 CGA
        max_iter: 10            # 最大迭代次数
        target_coverage: 100.0  # 目标覆盖率
```

#### 6. API 密钥配置

编辑 `config/key_API.json`:
```json
{
    "OPENAI_API_KEY": "your-openai-key",
    "ANTHROPIC_API_KEY": "your-anthropic-key",
    "dashscope": "your-dashscope-key"
}
```

然后在 `config/custom.yaml` 中指定密钥路径：
```yaml
gpt:
    key_path: "config/key_API.json"
```

**注意**: 当前工具主要使用 `dashscope` (Qwen模型)，请确保填入有效的阿里云API密钥。

---

## 注意事项

### 1. 必须配置项

修改文件 `config/custom.yaml`：

- [ ] `gpt.key_path` - API密钥文件（默认为 `config/key_API.json`）
- [ ] `config/key_API.json` - 填入有效的 API 密钥
- [ ] `autoline.probset.only` - 指定要运行的题目
- [ ] `gpt.model` - 选择使用的模型（在 `config/custom.yaml` 第6行）

### 2. Header格式要求

**必须**与DUT代码中的module声明一致:

```verilog
// 正确
header = "module foo(input clk, output [7:0] y);"

// 错误 - 缺少分号
header = "module foo(input clk, output [7:0] y)"
```

### 3. 时序逻辑DUT

如果DUT是时序逻辑（always块），header中**必须**使用 `output reg` 而非 `output wire`:

```verilog
header = "module foo(input clk, input rst, output reg [7:0] y);"
```

### 4. 关于CGA优化

CGA (Coverage-Guided Agent) 优化可以提升测试覆盖率，但会增加运行时间。

在 `config/custom.yaml` 中设置：
```yaml
autoline:
    cga:
        enabled: True    # 启用 CGA
        # enabled: False # 禁用 CGA（快速测试）
```

### 5. 运行时间

完整流程运行时间取决于:
- LLM模型响应速度
- DUT复杂度
- 是否启用CGA优化


### 6. 常见错误

| 错误信息 | 原因 | 解决方法 |
|----------|------|----------|
| `API Key not found` | key_API.json配置错误 | 检查并填入有效密钥 |
| `ModuleNotFoundError` | 依赖未安装 | `pip install -r requirements.txt` |
| `AutoLogger...AttributeError` | 初始化顺序问题 | 确保使用正确的运行命令 |
| `timeout` | LLM响应超时 | 降低复杂度或切换模型 |

---

## 运行示例

### 方式一：使用配置文件运行（推荐）

通过 `config/custom.yaml` 配置题目，然后运行：

```bash
cd /home/zhang/CorrectBench/TBgen_App
source venv/bin/activate
./venv/bin/python -c "
import sys
sys.path.insert(0, '.')
from autoline.TB_autoline import run_autoline
run_autoline()
"
```

### 方式二：Python API

```bash
cd /home/zhang/CorrectBench/TBgen_App
source venv/bin/activate
./venv/bin/python -c "
import sys
sys.path.insert(0, '.')
from run_tbgen import generate_tb

dut_code = '''module multiplier(
    input clk,
    input rst,
    input [7:0] a,
    input [7:0] b,
    output reg [15:0] y
);
    always @(posedge clk) begin
        if (rst) y <= 16'b0;
        else y <= a * b;
    end
endmodule'''

description = '一个8位乘法器'

header = 'module multiplier(input clk, input rst, input [7:0] a, input [7:0] b, output reg [15:0] y);'

tb_path, result = generate_tb(
    dut_code=dut_code,
    description=description,
    header=header,
    task_id='multiplier_test',
    model='qwen-max',
    enable_cga=True
)
print(f'TB saved to: {tb_path}')
print(f'Coverage: {result.get(\"cga_coverage\", 0)}')
"
```

### 配置文件说明

编辑 `config/custom.yaml` 中的 `autoline.probset.only` 指定要运行的题目：

```yaml
autoline:
    probset:
        path: "/path/to/HDLBits_data.jsonl"
        only: ['fsm_ps2', 'rule110']  # 指定题目列表
```

运行结果保存在 `save.root` 指定的目录下。

---

## License

本项目基于 CorrectBench 构建。