7.5
深览指数
科技微博·量子位··AI 生成
华为GTS让Agent学会「看着网络排障」，双防火墙难题几乎全拿下
华为GTS算法团队发现，大模型Agent在复杂网络排障中遇到核心瓶颈——「拓扑失忆」，即纯文本模型难以在长上下文中维持网络的动态空间结构，导致重复探查和路径迷失。为此，团队提出NetCanvas方案，通过引入「可交互视觉拓扑」作为模型的外部工作记忆，实现拓扑图动态生成、按需取景推理、并符合网工认知习惯的布局。在CTBench基准上，该方案将复杂任务通过率从约10%提升至约90%，平均探查步数下降45%。文章核心价值在于揭示「认知卸载」对专业Agent落地的关键意义：外围系统（Harness）对大模型的感知呈现，比模型本身的推理能力更决定最终表现。适合关注AI工程化落地、运维智能化、以及Agent系统架构的读者。原文 ↗
核心观点
- ▍大模型Agent在复杂网络排障中的核心瓶颈不是推理能力不足，而是缺乏对动态拓扑空间结构的「外部工作记忆」——即「拓扑失忆」（Topology Amnesia）。
- ▍业界解法应从「给Prompt塞专家经验」转向「把专家『边看地图边排障』的工作方式系统化」，通过可交互视觉拓扑作为Agent的延展心智。
- 01在真实排障测试中，Agent已锁定出问题防火墙，却在同一设备上换了数十种命令、原地打转三百多步仍未找到根因——因为它不知道这台防火墙在图中的路径位置。
- 02纯文本Agent依赖一维滚动的CLI命令行，每推进一步需从碎片日志重新脑补网络结构，上下文越长空间关系越容易在长文本中「坍塌」。
- 03NetCanvas方案三招：1）「边查边长」——Agent每完成一次探查，新发现的设备/链路/路径实时合并到图状态；2）「按需取景与推理交互」——Agent可切换全局/局部视图、高亮焦点节点、用颜色标记通路假设；3）「按网工习惯画图」——将机器生成的拓扑换成符合人类网工认知习惯的「领域布局」能显著提升排障成功率。
- 04在CTBench基准上，NetCanvas将Agent综合通过率从30.3%提升至54.5%（带物理连线先验达63.6%），双防火墙、ECMP等复杂子任务从约10%跃升至约90%。
- 05逐题对比，NetCanvas无任何退化（16题净增、50题持平原水平）；平均探查步数从159步降至113步，按每解对一题摊算Token成本下降26%-45%。
- 06方案基于认知哲学中「延展心智」理论（安迪·克拉克提出），指出智能依赖外部工具（如纸笔、地图）进行「认知卸载」（Cognitive Offloading）。
反方 / 局限
- — 文章未讨论该方案的局限性：如是否对网络规模有上限（成百上千节点时图状态存储与更新的计算开销）、是否适用于非IP网络（如光网络、无线接入网）、以及视觉拓扑的「领域布局」是否依赖人工规则设计（即通用性可能受限于特定运维规范）。
7 分钟 · 5 卡片 · 14 资料
读原文 →