LLM 代理已经能够在主流 GPU 堆栈上充当内核工程师，但在 Ascend NPU 等新兴加速器上仍然受限，因为其编程模型在预训练数据中几乎没有出现。现有的 NPU 代理主要依赖经验：它们把自己生成和优化的尝试记入记忆库，并在后续任务中复用这些记忆。然而，仅靠经验难以支撑内核生成。代理只能记住已经尝试过的方案，且很少尝试未知的机制；当新算子需要全新实现方式时，记忆几乎没有帮助，即使是熟悉的算子在优化过程中也会出现未见情形。
为了解决这一瓶颈，我们提出 ASCENDEVOLVE。它在每一步进化搜索中都依赖一个由平台文档、工具链头文件和算子仓库构建的大型外部知识库。由于该语料远超任何上下文窗口，ASCENDEVOLVE 先对其建立索引，然后为每个任务检索出一小段相关证据，而不是直接加载整个语料库。检索到的知识用于种子多样化实现策略、在候选失败时提供修复指引，并约束强候选的重组方式。
在 CANN‑Bench 提供的 53 个 Ascend C 算子（覆盖四个难度层级）上实验，ASCENDEVOLVE 获得总体得分 71.39，分别比 Reflexion 和 OpenEvolve 提升 11.6% 和 17.2%。
点评：通过将平台级文档转化为可检索的知识源，ASCENDEVOLVE 将经验与显式知识结合，实现了对新算子机制的快速适配，展示了知识驱动进化在硬件特化编译中的潜力。