Agentic Diagnostic Reasoning over Telecom and Datacenter Infrastructure

📄 arXiv: 2601.07342v1 📥 PDF

作者: Nicolas Tacheny

分类: cs.AI

发布日期: 2026-01-12

💡 一句话要点

提出基于LLM Agent的诊断框架，用于电信和数据中心基础设施的故障根因分析。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 根因分析 大型语言模型 Agentic诊断 基础设施运维 模型上下文协议

📋 核心要点

  1. 传统根因分析方法依赖硬编码规则或图遍历，维护成本高，且与基础设施模型耦合紧密。
  2. 提出Agentic诊断框架，利用LLM Agent自主导航基础设施模型，进行逐步调查和故障诊断。
  3. 定义调查协议，确保Agent推理的基础性、可重复性，并安全处理缺失或模糊信息。

📝 摘要（中文）

大规模电信和数据中心基础设施依赖于多层服务和资源模型，其中故障会在物理和逻辑组件之间传播，并影响多个客户。传统的根因分析（RCA）方法依赖于硬编码的图遍历算法或基于规则的相关性引擎，这些方法维护成本高昂，并且与基础设施模型紧密耦合。本文介绍了一种Agentic诊断框架，其中大型语言模型（LLM）使用通过模型上下文协议（MCP）暴露的受约束工具空间执行逐步调查。Agent通过调用服务查找、依赖关系检索、结构化和非结构化数据以及事件分析和影响发现等工具自主导航基础设施模型，而不是将因果逻辑或遍历算法嵌入到应用程序中。我们定义了一个调查协议，该协议构建了Agent的推理，并确保了基础性、可重复性以及对缺失或模糊信息的安全处理。这项工作为自主事件解决和变更影响缓解奠定了基础。未来的系统不仅可以诊断和修复基础设施故障，还可以预测计划变更对服务和客户的影响，从而使运营商能够在执行维护操作之前减轻风险。

🔬 方法详解

问题定义：现有电信和数据中心基础设施的根因分析（RCA）方法，如硬编码的图遍历算法或基于规则的相关性引擎，存在维护成本高昂、与基础设施模型紧密耦合等问题。这些方法难以适应复杂多变的基础设施环境，且缺乏自主学习和推理能力。

核心思路：利用大型语言模型（LLM）的强大推理和泛化能力，构建一个Agentic诊断框架。该框架允许LLM Agent通过与环境交互，自主探索和分析基础设施模型，从而实现更灵活、高效和智能的根因分析。核心在于将复杂的因果逻辑和遍历算法从应用程序中解耦，转而依赖Agent的自主学习和推理能力。

技术框架：该框架包含以下主要模块：1) LLM Agent：负责执行诊断推理和决策；2) 模型上下文协议（MCP）：提供Agent与基础设施模型交互的接口，暴露一系列工具，如服务查找、依赖关系检索、数据分析等；3) 调查协议：定义Agent的推理流程，确保推理过程的规范性、可解释性和安全性。Agent通过MCP调用工具，获取信息，并根据调查协议逐步缩小故障范围，最终定位根因。

关键创新：最重要的创新在于将LLM Agent引入到基础设施诊断领域，并设计了相应的Agentic诊断框架。与传统方法相比，该框架具有更强的自主学习和推理能力，能够更好地适应复杂多变的基础设施环境。此外，通过MCP和调查协议的设计，保证了Agent推理过程的可控性和安全性。

关键设计：调查协议是关键设计之一，它定义了Agent的推理步骤和约束条件，例如，限制Agent可以调用的工具类型、设置推理的最大步数、定义处理缺失或模糊信息的策略等。MCP协议的设计也至关重要，它需要提供足够丰富和灵活的工具，以便Agent能够有效地探索和分析基础设施模型。具体的参数设置、损失函数和网络结构等技术细节在论文中未明确说明，可能使用了预训练的LLM，并针对特定任务进行了微调（具体细节未知）。

📊 实验亮点

论文主要侧重于框架设计和方法论，实验结果未知。但该框架为自主事件解决和变更影响缓解奠定了基础，未来系统不仅可以诊断和修复基础设施故障，还可以预测计划变更对服务和客户的影响，从而使运营商能够在执行维护操作之前减轻风险。

🎯 应用场景

该研究成果可应用于大规模电信和数据中心基础设施的故障诊断、事件响应和变更影响评估。通过自主诊断和预测，可以显著缩短故障恢复时间，降低运营成本，并提高服务可靠性。未来，该技术还可扩展到其他复杂系统，如智能制造、智慧城市等领域，实现更智能化的运维管理。

📄 摘要（原文）

Large-scale telecom and datacenter infrastructures rely on multi-layered service and resource models, where failures propagate across physical and logical components and affect multiple customers. Traditional approaches to root cause analysis(RCA) rely on hard-coded graph traversal algorithms or rule-based correlation engines, which are costly to maintain and tightly coupled to the infrastructure model. In this work, we introduce an agentic diagnostic framework where a Large Language Model (LLM) performs step-wise investigation using a constrained tool space exposed through the Model Context Protocol (MCP). Instead of embedding causal logic or traversal algorithms into the application, the agent autonomously navigates the infrastructure model by invoking tools for service lookup, dependency retrieval, structured and unstructured data, and event analysis, and impact discovery. We define an investigation protocol that structures the agent's reasoning and ensures grounding, reproducibility, and safe handling of missing or ambiguous information. This work lays the foundation for autonomous incident resolution and change impact mitigation. Future systems will not only diagnose and remediate infrastructure failures, but also predict the impact of planned changes on services and customers, enabling operators to mitigate risks before executing maintenance operations.