ARTICLE · 1310951
大语言模型智能体在软件系统根因分析中的应用综述 | jos佳文
大语言模型智能体在软件系统根因分析中的应用综述 | jos佳文摘 / 要 ABSTRACT ABSTRACT 
扫码阅读全文 / 频 / 速 / 览 VIDEO VIDEO / 容 / 精 / 选 CONTENT CONTENT 1 背景知识 
图1 根因分析主要流程表1 根因分析能力维度对比 
如图2所示, 基于大语言模型的智能体作为一种具有自主性和反应性的智能实体, 以大语言模型为核心单元, 同时围绕其构建3项关键能力组件: 记忆、工具和规划. 
图2 智能体整体组成 ①智能体与检索增强生成: 对于大语言模型智能体来说, 检索增强生成技术克服了原有大语言模型缺乏特定领域知识和知识库难以更新的问题, 同时一定程度上缓解了大语言模型的幻觉问题, 从而提供更加准确的故障处理建议, 减少了传统大模型在知识更新和准确性方面的局限性. ②单智能体系统与多智能体系统在根因分析中的应用: 大语言模型在单智能体系统中扮演着关键角色, 它通过精确理解问题上下文, 运用强大的推理能力, 对潜在的原因进行逐一排查, 可以为用户提供清晰直接的根因分析结果. 然而, 这种分析往往受限于模型自身的知识边界和单一视角, 可能无法全面覆盖复杂问题背后的多重因素. 同时, 在实际故障处理工作中, 单智能体的方法会出现指令遵循方面的不稳定以及在多步骤分析中局限于细节处理而忘记整体规划的问题. 多智能体系统在根因分析中展现出更为全面的视角和协同处理的能力. ③ 根因分析中的数据: 数据在根因分析中具有重要地位, 揭示软件系统故障的根本原因依赖于精确的数据分析. 在根因分析的一般过程中, 日志信息、调用链信息以及指标信息这3类可观测数据起着至关重要的作用. 2 数据收集 数据收集是根因分析的基础, 关键在于从海量系统数据中筛选出高质量的关键信息. 本文围绕3种主要方式展开: 人工收集、固定程序收集和智能体自动收集, 并以自动化程度为划分标准. 人工收集依赖工程师经验, 能弥补模型对语义的理解不足, 但效率低、主观性强, 难以应对大规模告警. 固定程序收集通过预设规则实现流程标准化, 提升一致性和可控性, 适用于常规场景, 但灵活性不足. 智能体自动收集则通过函数调用与MCP协议, 赋予大语言模型任务执行能力, 实现从需求理解到操作决策的闭环, 更具动态性与完整性. 三者在准确性、时效性与自动化方面各有优势, 融合发展成为趋势. 总体而言, 大语言模型智能体在数据收集环节中的核心贡献体现在任务自动化和信息语义化两个方向. 一方面, 通过函数调用和MCP等机制, 实现从人工输入到主动收集的演化; 另一方面, 智能体借助对日志、调用链和指标的语义整合能力, 提升了数据质量. 3 根因定位 根因定位是在完成数据收集与预处理后, 识别导致系统故障根本原因的关键环节. 其挑战在于如何高效利用数据并准确找出事件发生的根因. 大语言模型凭借强大的语言理解与生成能力, 不仅提升了分析准确性, 还显著减少了对人工分析的依赖. 然而, 其泛化能力和稳定性仍是实际部署中的难题. 本文介绍3类大语言模型驱动的方法: 模型微调、单智能体与多智能体方案. (1) 基于模型微调的根因定位 模型微调的关键在于进行知识的高效融合. 然而, 微调策略仍面临数据质量与模态适配的双重约束. 现有方法更擅长处理事件摘要等结构化文本, 对调用链和时序指标等半结构化数据的特征提取效率仍有待提升, 这导致部分研究需额外引入图神经网络进行辅助表征. 更根本的问题在于微调后的模型缺乏持续的学习能力, 难以实时吸收新兴故障模式的知识更新. 大语言模型微调已成为提升根因定位领域适应性的关键技术路径. 各类方法通过不同的技术切入点实现了预训练知识向垂直领域的定向迁移. 这些实践共同证明, 在保留模型通用推理能力的基础上, 通过领域数据驱动的精细化调整, 能够有效弥合通用大模型与专业根因定位需求之间的语义鸿沟. 但模型微调的技术路线仍存在高质量数据成本高昂和持续学习能力缺失的问题, 未来突破方向可能在于开发动态微调机制, 结合持续学习策略实现模型知识的增量演进, 同时加强多模态特征提取架构设计. (2) 基于单智能体的根因定位 智能体技术可以实现无需修改模型参数的方式来增强大语言模型的根因定位能力. 面对自动化的挑战, 单智能体需要能够在无需人工干预的情况下自动执行根因定位, 同时保持高度的准确性和效率. 如图3所示, 单智能体的根因定位通常遵循信息理解-行动执行-结果反馈的闭环. 智能体在接收输入后先解析故障上下文, 再通过调用外部工具或数据库执行查询与验证操作获取额外信息, 最后利用推理的方法来分析数据. 这种执行方法赋予了单智能体在根因定位中准确而高效的自动化能力. 基于单智能体的根因定位方法的优势在于其高度的综合性和自主性, 能够快速整合信息并从历史经验中学习, 从而提高故障处理的效率. 然而, 这种方法的缺点在于在复杂任务场景下存在计算瓶颈导致效率较低, 同时在动态环境中单智能体难以感知全面信息, 无法通过协作共享局部观测数据. 因此, 尽管单智能体在根因定位中提供了自动化和效率的提升, 但其面临的挑战仍需进一步解决. (3) 基于多智能体的根因定位 多智能体系统通常会进行工作流编排和数据共享, 以便追踪每个智能体的决策路径. 如图4所示, 多智能体方法通过角色分工与结果协同实现更复杂的分析, 常见流程包括任务分配、并行分析、结果验证与共识生成. 相较于单智能体的线性执行, 多智能体的体系能显著增强鲁棒性与决策稳定性. 
图4 多智能体根因分析交互流程 多智能体系统的优势在于其分布式和协作的特性, 这使得系统能够处理更复杂的故障场景, 并且在某些智能体失效时仍能保持整体性能. 此外, 多智能体系统可以通过并行处理来提高根因定位的速度, 每个智能体可以专注于问题的不同方面, 从而提供更全面的解决方案. 然而, 多智能体系统仍旧存在系统复杂性和资源消耗过高, 协作机制不足等问题. 此外, 虽然多智能体系统在理论上可以分别分析每个智能体来提高可解释性, 但由于复杂系统不可解释的特性, 在实践中智能体之间的相互作用往往使得整体系统的可解释性降低. 因此, 尽管多智能体系统为根因定位带来了更多的灵活性, 但其可解释性方面的挑战仍然是一个需要通过技术创新和理论发展来解决的问题. 4 效果评估 效果评估也是根因分析流程中至关重要的一环, 其目的是验证分析结果的准确性和实用性, 确保根因定位的有效性, 从而提升故障排除的效率. 这个过程的关键在于设计一套客观且能够全面反映分析效果的评估体系, 确保评估结果与实际系统性能和用户需求相符合. (1) 客观评估指标 使用大语言模型智能体进行根因分析, 本质上是一类自然语言处理任务, 因此可以借助自然语言处理领域中常用的文本生成质量评估指标来进行效果衡量. 图5展示了各类指标在现有工作中的使用频率统计. 为清晰展示当前研究在根因分析中采用的评估手段, 本文将指标按任务适用性进行归类, 并将代表性的研究工作与每类指标对应列出, 如表2所示. 综上, 根因分析的效果评估需兼顾文本生成质量与业务场景的特殊需求. 文本生成质量方面的指标虽能验证语言模型的文本生成能力, 但诊断准确性和工程可行性等维度需依赖场景化指标补充. 当前系统性能评估体系已初步形成资源、操作、成本的三维框架, 但对后两者的研究深度仍需加强. 未来的研究应在保留自然语言指标评估机制的基础上, 进一步引入多维性能指标的协同设计, 以提升大语言模型智能体在实际系统中的可落地性和工程适配能力. (2) 基于人类评估的主观指标 人工评估通常适用于生成类与解释类任务, 例如根因报告的准确性、可理解性以及建议的可执行性, 并常与客观指标联合使用以补偿单一指标无法捕捉的工程实用性维度. 有效的人类评估体系须具备3个核心特征: 当前研究已证明, 人类评估的方法能够更全面地反映大语言模型在根因定位中的实际效能, 为模型优化提供明确方向. 然而, 评估成本高和标准不统一等问题仍然存在, 未来需要建立跨领域的基准测试集和评估协议, 有助于降低主观偏差并提升跨场景的适应能力. (3) 基于大语言模型评估的主观指标 当前大语言模型在根因分析效果评估中的应用已从单一的准确性评价逐步扩展到实用性方面, 初步展现出贴近工程实践的潜力. 但需要指出的是, 模型评估仍面临幻觉生成和评分标准等挑战, 特别是在处理领域特异性强或缺乏标注数据的场景时, 仍需构建包含领域知识的人类评估闭环. 未来研究可探索评估模型的领域自适应技术, 以及基于持续学习的动态评估框架, 使评估体系能伴随系统迭代优化. 5 当前挑战和未来发展方向 ① 根因分析任务的复杂性挑战 ② 大语言模型智能体应用于根因分析的挑战 ③ 未来发展方向 6 总结 根因分析作为确保现代软件系统稳定性和高效运行的关键技术, 正经历着由传统人工依赖向智能化转型的重大变革. 通过对现有文献进行系统性回顾, 本文从数据收集、根因定位和效果评估这3个关键环节, 详细剖析了大语言模型智能体在根因分析领域的研究现状与发展趋势, 发现关于大语言模型智能体在此领域的应用研究仍存在诸多不足. 特别是在数据预处理、根因精准定位以及评价体系的完善等方面, 现有的研究尚需进一步深入和拓展. 此外, 本文还揭示了根因分析领域自身的挑战以及大语言模型智能体进行根因分析时在自主学习、推理能力、领域知识融入和可解释性方面的局限性, 并提供了可以扩展的对应研究方向. 本综述不仅为未来的研究提供了有价值的参考, 也为大语言模型智能体在软件系统根因分析的进一步发展奠定了理论基础. 本文相信, 随着相关技术的不断进步和创新, 大语言模型智能体将在根因分析乃至更广泛的复杂任务处理中发挥更加重要的作用, 为软件系统的稳定性和可靠性提供更加坚实的保障. 作 / 者 / 简 / 介 AUTHOR AUTHOR 丁博, 博士, 研究员, CCF专业会员, 主要研究领域为分布式计算, 软件维护与演化. 冯大为, 博士, 研究员, CCF专业会员, 主要研究领域为分布式计算, 智能软件系统, 智能计算技术. 翟远钊, 博士, 助理研究员, 主要研究领域为大模型智能体, 大模型对齐, 强化学习. 张迅晖, 博士, 助理研究员, 主要研究领域为软件仓库挖掘, 开源知识产权保护, 代码克隆检测.
文章题目: 大语言模型智能体在软件系统根因分析中的应用综述
全部作者: 康俊驰, 丁博, 冯大为, 翟远钊, 张迅晖, 王怀民
第一单位: 国防科技大学 计算机学院
出版时间: 2026, 37(8): 3180-3204
在现代软件系统, 尤其是云计算和微服务系统中, 根因分析是保障系统稳定性和高效运行的关键技术. 大语言模型由于其强大的自然语言处理和数据分析能力, 为根因分析提供了新的解决方案. 基于大语言模型的智能体在大语言模型的基础上, 为根因分析带来了更高的自动化程度和更精准的问题定位能力. 然而, 尽管已有相关研究探讨了大语言模型在根因分析中的应用, 但关于大语言模型智能体在根因分析的研究仍然处于早期阶段. 聚焦于大语言模型智能体在云计算和微服务系统根因分析的研究现状进行全面的分析和总结. 主要内容包括: (1)概述基于大语言模型的智能体框架构成和根因分析中的数据使用; (2)从信息获取、根因定位和效果评估这3个主要流程系统地分析大语言模型智能体在根因分析中的应用方式; (3)探讨大语言模型智能体技术在根因分析任务中面临的主要挑战和未来的发展方向.
视
内
根因分析(root cause analysis, RCA)可以为软件系统提供快速故障定位、故障诊断和制定解决方案等能力, 是保障软件系统稳定运行的关键技术. 典型的根因分析流程包括数据收集、根因定位和效果评估等阶段. 图1展示了一个根因分析的典型案例, 从前期收集系统错误信息, 到分析后确定根因并最终给出分析效果评估, 完成了软件系统报错到解决的整体流程.
图1 根因分析主要流程传统软件故障根因定位的方法包括利用关联规则挖掘、基于启发式搜索、基于机器学习或者基于深度学习等数据驱动方法, 主要通过从系统生成的数据中提取特征并建立模型来识别故障的模式和潜在的根因. 基于大语言模型(large language model, LLM)的根因分析方法则利用大语言模型强大的自然语言处理能力, 能够更有效地处理日志等非结构化数据. 但基于大语言模型的方法通常仅作为信息提取和汇总的工具, 缺乏面向目标的任务自主规划和执行能力. 基于大语言模型智能体的根因分析与传统方法及基于大语言模型的方法相比, 在以下3个关键维度具有独特的优势, 如表1所示.
记忆使得智能体可以保留与外部交互产生的信息. 工具使得智能体可以在不调整本身权重的情况下获取外界信息, 通过使用API等方式调用外部接口实现代码执行、访问特定信息源数据等能力, 是对大模型本身的一种能力扩展. 规划使得智能体可以分解复杂任务并且针对任务进行规划.
图3 单智能体根因分析交互流程
客观评估指标通过标准化测试集对文本生成质量和系统性能进行评估, 但可能无法完全反映根因分析的复杂性. 基于人类评估的主观指标更从实际应用效果出发, 提供直观的人类反馈, 但成本较高且难以大规模实施. 基于大语言模型评估的主观指标利用模型自身能力进行综合评估, 但仍存在幻觉和评分标准的问题.
图5 文本生成质量评估指标使用频率统计图
分类性能类指标用于评估根因定位与告警分类的准确性; 文本生成类用于衡量根因报告的语言质量; 语义相似度类指标侧重于衡量解释文本的语义一致性; 任务定制化指标则用于评估面向特定任务或模块的过程性与系统级效果.
表2 文本生成质量评估指标类别、主要使用任务与代表工作
首先, 评估主体必须包含领域专家以确保结果可信度; 其次, 评估维度需覆盖准确性、可操作性和时效性等实际需求; 最后, 评估过程需要建立标准化流程以控制主观偏差.
多源数据的高复杂性和集成分析的高难度. 系统生成的日志和监控数据往往规模庞大, 并且通常包含多种格式, 这使得数据的整合和分析变得异常复杂. 系统组件复杂性与场景复杂性也是一个重大挑战. 一个完整的软件系统涉及多个组件, 熟练掌握这些组件需要长时间的积累. 数据质量问题也是一个不可忽视的瓶颈, 系统错误或监控配置不当可能导致数据缺失, 这些都直接影响了根因分析的准确性. 根因定位方面, 系统的复杂性导致故障模式多样, 故障传播路径错综复杂. 现有的分析方法难以捕捉到故障的全貌, 特别是在多组件交互的复杂系统中. 业务快速发展与知识更新速度的挑战. 业务的快速演进导致系统结构频繁变化, 传统的故障排查指南难以及时跟进, 从而造成更新不及时和难以使用的问题.
领域知识缺失与自主学习能力受限: 大语言模型通常在通用数据集上训练, 缺乏特定行业的专业知识和经验, 导致智能体难以准确理解特定行业系统的复杂性和独特性, 进而无法准确识别和解释行业特定故障. 同时由于依赖基于少样本的上下文学习, 智能体往往难以从有限的数据中提取出足够的信息来进行准确的根因分析. 推理规划能力不足: 现有大语言模型在逻辑推理和决策规划方面仍有不足, 这可能导致智能体在分析故障传播路径、确定故障影响范围以及制定修复方案时, 缺乏必要的逻辑性和系统性, 影响故障处理效率和效果. 模型可解释性差: 大语言模型作为黑盒系统, 决策过程不透明, 故障分析结果缺乏充分解释, 可能导致工程师对智能体建议持怀疑或盲从态度, 甚至做出错误操作. 缺乏标准评估机制: 评估标准缺失是智能体应用的另一重大挑战. 根因分析为开放式问题, 现有评价指标难以全面准确衡量模型表现, 影响模型性能的客观评价及实际应用.
构建稳健的数据表示与泛化学习机制. 在复杂软件系统中, 日志、指标和调用链数据通常规模庞大且结构复杂, 这对根因分析的数据驱动能力提出了更高要求. 未来的研究应致力于多源异构数据的标准化与结构化表示, 并结合数据增强与跨系统迁移学习技术, 提升智能体在低资源或变动环境下的泛化能力. 通过构建细粒度、多样性的故障语料库, 可以为智能体提供更强的输入基础, 从而提升其对故障现象的理解深度. 增强领域知识建模与因果推理能力. 根因分析依赖对系统运行机制与组件依赖的深刻理解, 当前大语言模型缺乏显式的系统知识建模与推理支持. 未来可探索将领域知识以图谱的形式嵌入模型中, 提供任务上下文和系统结构信息的辅助. 可以集成因果图建模等方法提升模型对故障传播路径的建模能力, 从而实现从故障症状到根因的链式推理过程. 提升模型的可解释性与可靠性保障. 未来应重点发展面向根因分析任务的解释方法, 如思维链生成推理过程以及参考面向模型内部行为追踪与特征归因调试方法相关研究的可解释性, 帮助用户理解智能体的分析逻辑. 同时, 为了支持系统性优化与横向对比, 需要建立覆盖准确率、故障恢复效率和用户反馈等多维度的性能评估体系, 推动形成行业通用的智能体测评标准.
康俊驰, 硕士生, 主要研究领域为大语言模型智能体, 故障根因分析.
王怀民, 博士, 教授, CCF会士, 主要研究领域为分布式系统, 云际计算, 群体智能.
