arXiv 论文提出语义可观测性多智能体框架，用于自主系统诊断
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
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。
一篇 arXiv 论文提出 Semantic Observability 框架，把分布式微服务产生的多格式日志统一汇入可动态查询的属性图数据库，将物理拓扑、软件依赖与事件时序建模为带属性的节点和有向关系。在此之上，系统用有向循环图编排有状态多智能体，借助因果图算法与时间回溯定位异常影响范围，再由大模型推理引擎输出代码级根因分析与修复建议。论文给出系统架构、关系本体与控制回路，并称该框架可降低 MTTR、压缩 token 消耗、抑制结构性幻觉；定量评测与生产基准将在后续论文中给出。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载日志统一为属性图
论文针对的场景是分布式微服务部署：物理与逻辑上被切分的基础设施持续产出体量庞大、格式各异的可观测性日志。运维人员在级联故障中定位根因时，往往受限于手工关键词过滤，以及多个监控面板之间彼此割裂的时间关联。作者提出的做法是把这些分散的日志流汇入一个可动态查询的属性图数据库，用带属性的节点和有向关系分别表达物理基础设施拓扑、软件逻辑依赖与按时间排列的事件序列，从而把扁平、非结构化的日志仓库转成有语义结构的底座。
多智能体定位影响范围
在统一底座之上，系统部署的是有状态的多智能体体系，由有向循环图进行编排。智能体在拓扑中自主游走，运用因果图算法与时间回溯，把异常波及的精确范围从整张图中裁剪出来，形成待解释的子图。随后由大模型推理引擎解读该子图，产出结合上下文的代码级根因分析以及可执行的修复建议。论文交代了系统架构、形式化关系本体与多智能体控制回路三部分基础设计。
效果主张与验证计划
论文以概念方式说明该框架能消除环境遥测噪声、缩短平均解决时间、压缩大模型 token 消耗，并避免结构性幻觉。需要留意的是，这些效果目前停留在设计论证层面，尚未给出量化结果。作者同时说明了开源验证框架的规划，将在 LogHub 与 Train-Ticket 两个标准基准上运行；完整的定量评测与生产环境基准测试，留到后续的姊妹论文中展开。因此现阶段可把它视为架构与本体设计文档，而非性能对比结论。
为什么值得看
把日志治理、因果定位与大模型根因分析串成一套架构，关注 AIOps 与可观测性落地的人可看其设计取舍。
大模型智能体幻觉论文
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。