华为GTS让Agent学会「看着网络排障」，双防火墙难题几乎全拿下

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 华为GTS让Agent学会「看着网络排障」，双防火墙难题几乎全拿下 思邈 2026-09-16 10:27:20 来源： 量子位 任务通过率提升24.2%，token成本最高下降45% 允中 发自 凹非寺 量子位 | 公众号QbitAI “智能并不局限于大脑内部。当我们使用纸笔或地图来梳理复杂问题时，这些外部工具就成为了我们‘延展的心智’。” 著名认知哲学家安迪·克拉克（Andy Clark）在揭示高级推理的本质时指出： 真正的智能，懂得使用外部图纸进行“认知卸载”（Cognitive Offloading）。 而在高度复杂的通信网络运维中，大模型Agent同样亟需跨越这道门槛。 IP承载网是千行万业数字化系统的底座。一次刷卡支付、一次线上挂号，背后都离不开它。 然而，这张网一旦出故障，线索往往深埋在海量的告警或静默的配置中。业务中断时，排障的第一道门槛往往不是怎么修，而是理清“ 此时此刻，这张网到底长什么样？” 想要回答这个问题，门槛极高。因为真实的现网是“活”的、动态的。每一次故障的网络拓扑空间都截然不同，面对错综复杂的路由，能在脑海中实时重构出“动态网”并揪出根因的，只有极少数资深专家。 既然资深专家可遇不可求， 将排障重任交给大模型Agent（ 智能体 ），便成了行业破局的共识。 业内曾普遍以为，凭借大模型强大的知识理解、逻辑推理与分析决策能力，这会是一场降维打击。 然而，当承载着厚望的Agent真正走进现场后，华为GTS算法团队却发现了一个反直觉的致命痛点： AI的推理能力再强，读得懂海量的文本日志，却偏偏记不住这张网长什么样。团队将此称为「拓扑失忆」。 让一个纯文本Agent在脑海里硬扛成百上千个节点的动态变化，注定会陷入记忆坍塌。 如何破局？团队给出了精准解法 NetCanvas， 通过引入一套「可交互视觉拓扑」 机制，它为大模型提供了一张可以画线推演的「外部工作记忆」画布。 这让AI真正学会“认知卸载”，能像专业工程师一样“看着网络排障”。 痛点剖析：AI读得懂日志却修不好网？缺的是一张“活地图” 引入大模型Agent，原本是为了复刻资深专家的排障经验、填补现网的人力缺口。 但一线很快碰到一个反直觉现象，模型明明能解析单条命令、单段回显，一旦进入多设备、多路径、带防火墙与ECMP的真实复杂拓扑，就开始绕弯、重复探查，甚至在同一节点打转。 一个典型的现网惨案是：在一次真实的排障测试中，Agent已经锁定了出问题的防火墙，却在这台设备上换了几十种查法，原地打转了三百多步，仍没找到根因。它知道该查防火墙，却不知道这台防火墙卡在整个图里面的哪个路径的第几跳。 明明推理能力在线，为什么AI还会迷路？答案是：缺了空间记忆。 资深网工排障时，脑子里始终悬着一张「活图」：流量从哪里进入、在哪分流、防火墙卡在第几跳，一切清清楚楚。反观纯文本Agent，面对的却是一维滚动的CLI（命令行），这就意味着每推进一步，都要从碎片的日志里重新脑补网络长什么样。上下文越长，这种空间关系就越容易在长文本里「坍塌」。 针对这一现象，华为GTS AI算法团队将其命名为「拓扑失忆」（Topology Amnesia）：排障越深入，局部观测可能越来越多，整体的空间关系却在逐渐丢失。 这恰恰印证了开篇的哲学论断：缺乏「外部工作记忆」的辅助，纯文本模型在复杂的现网中注定会陷入认知超载。 怎么破局？既然人脑都需要依靠图纸来梳理复杂逻辑，AI自然也一样。拓扑图对网工来说是排障时的“外部工作记忆”，查到哪，图更新到哪。 因此，Agent需要的绝不是开局塞给它的一张死板全景图，而是一个能与它产生交互的活地图。 沿着这个逻辑，GTS确立了全新的解法思路：不是把专家经验硬写进Prompt，而是把专家的工作方式写进Agent系统。 让模型负责思考决策，让NetCanvas负责记路与画图。 △同一张网，在人和Agent眼里其实是两回事：(a) 人类工程师脑中的空间记忆；(b) 纯文本Agent陷入拓扑坍塌；(c) NetCanvas为Agent配备可交互的“活地图”。 解局之道：引入「可交互视觉拓扑」，三招让Agent边看边推演 基于上述的痛点剖析，团队祭出了真正的解法——NetCanvas。 它绝不是简单地给模型塞一张静态的网络拓扑截图，而是为其量身定制了一套“可交互视觉拓扑”。 通过以下“三招”，NetCanvas彻底颠覆了Agent认知真实网络的方式： 招一：边查边长（动态生长） 真实的排障现场，没有人能在第一时间拿到完美的全局拓扑。 因此，NetCanvas摒弃了“开局给全景”的僵化思路。 Agent每完成一次CLI探查，新发现的设备、链路与路径证据，就会被实时合并到当前的图状态中。 这就好比战争迷雾被逐步驱散， 拓扑图就像有生命一样，跟着排障进度一起“动态生长”。 招二：按需取景与推理交互（核心动作） 图长出来了还不够，Agent还必须能像人类专家一样“用图”。 在NetCanvas中，Agent可以随时切换全局与局部视图，或者高亮当前的焦点节点。 更绝的是，它还能通过主动改变连线颜色（如用绿/红虚线标记通断），在图上直接记录自己的推理假设。模型无需再在脑子里死记硬背，真正实现了“边看、边标、边排查”。 招三：按网工习惯画图（认知对齐） Agent能看见图固然重要，图以什么方式呈现在它眼前同样致命。 研发团队在测试中发现一个惊人的事实：只要把机器生成的拓扑，换成符合人类网络工程师认知习惯的“领域布局”，Agent的排障成功率就能实现碾压式的跃升。画对了图，AI才能走对路。 数据验证：真正“看清”网络，Agent才能精准破局、少走弯路 “活地图”到底有多大威力？团队在公开的通信运维基准CTBench上进行了硬核验证。 这里的任务全部来自真实运维案例，要求Agent进入未知网络、动态执行命令，并从不完整、碎片化的证据中逐步定位故障，难度远超传统的单轮问答。 抛开繁杂的模型参数，NetCanvas带来的核心业务价值，被结结实实地刻在了以下三个维度上： 1. 排障更准：整体效果显著提升，有效突破复杂路径瓶颈。 在整个数据集上，NetCanvas将Agent的综合通过率从30.3%提升至54.5%（若带有物理连线先验可达63.6%）。 尤其在双防火墙、ECMP（等价多路径）等高度依赖空间关系的复杂子任务中，效果更是从约10%跃升至约90%。 当隐含在长日志中的空间关系变成“看得见”的结构，Agent沿着多路径顺藤摸瓜终于有了清晰的抓手。 2. 表现更稳：无一题退化（16胜0负50平）。 逐题比对纯文本方案，NetCanvas没有在任何一道题上出现能力退化。多出来的16道是净增，没有拿别的题来换。 3. 步数更少：综合试错成本最高下降45%。 Agent的平均探查步数从159步直降至113步。由于准确率大幅提高、Agent不再盲目绕路，按“每解对一题”摊算， 大模型的Token试错成本反而下降了26%到45