华为GTS推NetCanvas，解决Agent排障拓扑失忆
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载拓扑失忆的由来
在多设备、多路径构成的复杂网络里，纯文本形态的Agent容易陷入重复探查的循环。华为GTS算法团队在真实测试中观察到，Agent锁定防火墙之后，在原地反复尝试三百多步，始终未能找到根因。团队把这种丢失整体空间关系的现象称为拓扑失忆。其根源在于，Agent每次通过命令行探查获得的只是碎片化证据，这些证据之间缺乏稳定的空间关联，导致Agent无法形成对网络全局结构的持续记忆，从而在同一区域反复打转。
可交互视觉拓扑
NetCanvas为Agent提供可交互的视觉拓扑，作为外部工作记忆。具体做法有三项。第一，Agent每次通过命令行探查后，新证据会实时合并到图状态中，使拓扑随探查推进而更新。第二，Agent可以在全局视图与局部视图之间切换，并高亮焦点节点，从而在关注细节时不丢失整体位置。第三，Agent能用绿红虚线标记通断关系，并在图上记录推理假设，把中间判断外化到拓扑上。这三项机制共同作用，让Agent在进入未知网络时，能够从不完整的碎片化证据中逐步定位问题。
领域布局的跃升
NetCanvas还按照网络工程师的认知习惯，以领域布局呈现拓扑。换成领域布局后，Agent的排障成功率出现碾压式跃升。这一对比说明，同样的拓扑信息，呈现方式不同，Agent的利用效率差异显著。领域布局把网络设备与路径按工程师熟悉的组织方式排布，降低了Agent理解空间关系的负担，使其更容易把新证据挂到正确的位置上。
基准验证与成本
验证在公开通信运维基准CTBench上进行。该基准的任务来自真实运维案例，要求Agent动态执行命令，而非静态问答。在这些任务中，Agent需要进入未知网络，从不完整、碎片化的证据中逐步定位问题。结果显示，任务通过率提升24.2%，token成本最高下降45%。这意味着，NetCanvas在提升排障效果的同时，也降低了推理开销。对读者而言，这一机制提供了一种思路：为Agent补充可交互的外部空间记忆，可能比单纯扩大文本上下文更有效地应对复杂拓扑场景。
为什么值得看
首创视觉交互机制解决大模型空间记忆短板，显著提升复杂场景推理效率。
信源1 家
关键事实
相关 · 产品
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。