1. 仿真脚本基础

大家好，我是你们这门课的老朋友。今天咱们聊聊仿真脚本的入门知识。说实话，我刚入行那会儿，对脚本这东西也是又爱又恨。爱的是它能帮我省不少力气，恨的是刚开始总写不对。但后来我发现，搞懂这三个问题，脚本这事儿就通了：它到底是什么？为啥要批量跑？用什么语言写？

1.1 什么是仿真脚本？

说白了，仿真脚本就是一段“自动化指挥代码”。你想想看，平时我们跑一个仿真，是不是得敲一堆命令？比如启动仿真器、加载设计文件、设置波形、跑测试用例、最后看结果……这些步骤要是每次都手动来一遍，手都得抽筋。

仿真脚本的作用，就是把这一连串操作打包成一个“一键执行”的流程。 我习惯把它比作一个“机器人助理”——你告诉它今天要跑哪些测试，它自己就去挨个执行，跑完了还给你整理报告。

举个例子，一个最简单的仿真脚本可能长这样：

#!/bin/bash
# 一个简单的仿真脚本示例
vlog -work work *.sv        # 编译所有SystemVerilog文件
vsim -c -do "run -all; quit" work.top_tb  # 跑仿真并退出

嗯，这里要注意：脚本本身不改变仿真器的行为，它只是把你要做的事情“自动化”了。我在项目中遇到过不少新人，以为脚本能“优化”仿真速度，其实不是的——它优化的是你的操作效率。

1.2 为什么需要批量运行？

这个问题，我当年也问过自己。单个测试用例跑得好好的，干嘛非要批量跑？

原因其实很简单：一个芯片设计，少说几十个测试用例，多则上千个。 你一个个手动跑，不仅慢，还容易出错。我印象最深的一次，是手动漏跑了一个边界条件的测试，结果流片回来芯片在低温下直接罢工……从那以后，我再也不敢手动跑了。

批量运行的好处，我总结为三点：

  • 省时间：晚上下班前点一下批量运行，第二天早上结果就出来了。你想想看，这省了多少盯着屏幕的时间。
  • 防遗漏：脚本会按照你设定的列表，一个不落地跑完所有用例。不会出现“哎呀，那个用例我忘了跑”的情况。
  • 好追溯：每次批量运行都会生成日志和报告，哪个用例过了、哪个挂了、挂在哪一步，一目了然。我习惯把这些日志按日期归档，出了问题随时翻旧账。
核心观点： 批量运行不是“偷懒”，而是“工程化”。在团队协作中，批量脚本是保证回归测试质量的基础设施。

1.3 脚本语言选型：Python vs Shell

好，到了大家最纠结的地方了——到底用 Python 还是 Shell？我两个都用过，踩过不少坑，今天把经验分享给你。

先看一张对比图，帮你快速建立认知：

Python vs Shell 仿真脚本选型对比 Python ✅ 适合场景： • 复杂逻辑判断 • 数据处理与分析 • 跨平台兼容 • 与CI/CD集成 ⚠️ 缺点： • 依赖环境配置 • 启动速度略慢 我推荐：中大型项目首选 Shell ✅ 适合场景： • 快速原型验证 • 简单命令组合 • 文件操作 • 环境变量管理 ⚠️ 缺点： • 跨平台差 • 复杂逻辑难维护 我推荐：简单任务、快速上手 ⇄ 可混合使用

我个人习惯是：能用 Shell 搞定的，绝不写 Python；一旦逻辑复杂了，果断切 Python。 为什么？因为 Shell 脚本写起来快，但维护起来真让人头大。我见过一个同事用 Shell 写了 500 行的仿真调度脚本，里面全是 if-else 嵌套，改一个参数得找半天。

来看两个实际例子，你就明白了：

场景一：简单编译+运行（Shell 更合适）

#!/bin/bash
# 编译所有文件
vlog -f filelist.f
# 跑三个测试用例
for test in test_a test_b test_c; do
    vsim -c -do "run -all; quit" work.top_tb -gTEST_NAME=$test
done

这种场景，Shell 一行顶 Python 十行。我在项目中遇到这种需求，基本 5 分钟就写完了。

场景二：带参数解析、日志分析、结果汇总（Python 更合适）

import subprocess
import json
import os

def run_simulation(test_name, seed):
    """运行单个仿真用例"""
    cmd = f"vsim -c -do 'run -all; quit' work.top_tb -gTEST_NAME={test_name} -sv_seed {seed}"
    result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
    return result.returncode

def batch_run(test_list, seed_list):
    """批量运行并汇总结果"""
    results = {}
    for test in test_list:
        for seed in seed_list:
            key = f"{test}_seed{seed}"
            ret = run_simulation(test, seed)
            results[key] = "PASS" if ret == 0 else "FAIL"
            print(f"{key}: {results[key]}")
    
    # 生成报告
    with open("report.json", "w") as f:
        json.dump(results, f, indent=2)
    print("报告已生成：report.json")

# 调用示例
batch_run(["test_a", "test_b"], [1, 42, 100])
我的建议： 如果你刚开始学，先从 Shell 入手，把基本流程跑通。等遇到“Shell 写着太费劲”的时候，再学 Python 也不迟。别一上来就追求“大而全”，容易把自己劝退。
避坑指南： 我曾经在 Windows 上用 Shell 脚本写路径，结果换到 Linux 上全崩了。如果你团队里有人用 Windows 有人用 Linux，建议统一用 Python，或者用 Shell 时注意路径分隔符的兼容性。

小结

这一章我们聊了三件事：

  • 仿真脚本就是自动化执行仿真流程的“机器人助理”
  • 批量运行是为了省时间、防遗漏、好追溯
  • 语言选型上，Shell 适合简单任务，Python 适合复杂逻辑
← 上一章 📖 返回目录 下一章 →