arXiv 论文提出在智能体架构中嵌入数据引用以抑制光网络排障中的数据幻觉
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，非原文转载系统做了什么
论文展示的是一套面向光通信网络自动排障的智能体 AI 系统。其核心设计并非在输出端做事后校验，而是把数据引用直接嵌入智能体架构之中，让系统在给出判断时带上所依据的数据出处。作者称这一做法用于防止数据幻觉，并改善根因识别与推理过程的可解释性和可信度。对于需要在真实网络故障场景中给出结论的 agent 而言，可追溯的数据来源是判断其输出能否被运维人员采信的前提。
发表与归属信息
该工作以 demo 形式出现在第 52 届欧洲光通信会议（ECOC 2026）上，说明其定位偏向系统演示而非完整的长文实验报告。论文由 Jeremias Dötterl 与 Martin Kuipers 两位作者完成，编号 arXiv:2610.23252，当前版本为 v1，提交时间为 2026 年 10 月 16 日。在 arXiv 的分类上，它同时归入网络与互联网架构（cs.NI）和人工智能（cs.AI），反映出该工作横跨光网络运维与智能体方法两个方向。摘要页面提供 PDF 与实验性 HTML 版本，并附有音频摘要等附加功能。
可获取的信息边界
目前公开的材料仅为论文摘要页信息，包含标题、作者、摘要正文、会议展示形式、分类与提交时间等。摘要未披露系统的具体模型构成、数据引用的实现方式、所用数据集规模，也未给出排障准确率或幻觉率的量化对比结果。因此，这套方法相对既有排障方案的实际提升幅度，需要查阅论文全文才能判断。对关注智能体可靠性的读者来说，该工作的价值点在于提出了一种把出处约束前置到架构层的思路，而非已公开的性能数字。
为什么值得看
把数据引用写进智能体结构来抑制幻觉，是排障类 agent 落地时可直接借鉴的工程思路。
信源1 家
关键事实
相关 · 论文
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。