华为GTS用可交互拓扑图解决AI排障“拓扑失忆”问题

2026-09-16 12:38 0 阅读

AI排障卡在“看不见”网络

IP承载网是数字社会的基础设施。一次扫码支付、一次远程会诊，背后都依赖这张庞大而复杂的网络稳定运行。一旦出现故障，快速定位根因至关重要。

文章配图

近年来，行业普遍寄望于大模型Agent来承担排障任务，认为其强大的语言理解和逻辑推理能力足以复刻资深工程师的经验。然而，当这些Agent真正进入现网环境后，华为GTS算法团队却发现了一个反直觉的问题：模型能准确解析单条命令和回显，却在多设备、多路径的真实拓扑中频繁迷路。

文章配图

一个典型场景是：Agent已经锁定问题出在某台防火墙上，却在这台设备上反复尝试几十种查询方式，原地打转三百多步仍找不到根因。它知道该查防火墙，但不清楚这台设备在整个流量路径中的具体位置——是入口？出口？还是中间某个跳点？

团队将这种现象命名为“拓扑失忆”（Topology Amnesia）：随着排障深入，局部观测数据越来越多，但整体的空间关系却在长文本上下文中逐渐丢失。纯文本Agent面对的是一维滚动的CLI日志流，每推进一步都需从碎片信息中重新脑补网络结构，最终导致认知超载。

资深网络工程师排障时，脑中始终悬着一张动态更新的“活图”：流量从哪进、在哪分流、防火墙卡在第几跳，一目了然。这种空间记忆让他们能高效聚焦关键路径。

认知哲学家安迪·克拉克曾提出“延展心智”理论：真正的智能懂得利用外部工具进行“认知卸载”。纸笔、地图等工具不是辅助，而是思维的一部分。对网络工程师而言，拓扑图就是他们的外部工作记忆——查到哪，图就更新到哪。

华为GTS团队意识到，要让Agent真正胜任排障任务，不能只依赖模型内部的推理能力，必须为其配备一套可交互的“活地图”。于是，NetCanvas应运而生。

NetCanvas并非简单提供一张静态拓扑截图，而是为Agent量身打造了一套“可交互视觉拓扑”机制，通过三个核心设计改变Agent与网络的交互方式。

真实排障现场很少能一开始就获得完整拓扑。NetCanvas摒弃了“开局给全景”的思路，改为边查边长的动态模式。每当Agent执行一条CLI命令并获取新信息，系统就将新发现的设备、链路或路径证据实时合并到当前拓扑图中。就像战争迷雾被逐步驱散，网络结构随着排查深入自然生长。

图长出来还不够，Agent必须能像人类一样操作这张图。在NetCanvas中，Agent可以自由切换全局与局部视图，高亮当前焦点节点。更关键的是，它能主动在图上标记推理假设——比如用绿色虚线表示通路、红色虚线标记断点。这种可视化记录让模型无需死记硬背空间关系，真正实现“边看、边标、边排查”。

团队在测试中发现一个关键细节：只要将机器生成的拓扑图调整为符合网络工程师认知习惯的“领域布局”，Agent的排障成功率就会显著跃升。这意味着图的呈现方式直接影响AI的理解效率。NetCanvas采用网工熟悉的层级化、路径导向的布局逻辑，确保视觉信息与专业认知对齐。

团队在真实运维基准CTBench上对NetCanvas进行了全面测试。该基准包含大量来自现网的复杂排障任务，要求Agent在未知网络中动态执行命令，从不完整证据中定位故障。

结果令人信服：

这些数据表明，可视化拓扑不仅没有增加模型负担，反而大幅减少了盲目试错。当隐含在日志中的空间关系变成“看得见”的结构，Agent终于有了清晰的排查抓手。

NetCanvas的实践揭示了一个关键命题：对于复杂专业领域，Agent的最终能力不仅取决于模型本身，更取决于外围系统如何呈现真实世界。

在IP网络这类由拓扑、路径、协议动态交织的系统中，把海量日志硬塞进大模型的token窗口，注定导致认知超载。真正的专业能力，既需要模型内部的知识储备与推理决策，也需要一套能持续演化的“延展工作记忆”。

华为GTS的技术路径正是如此：从真实运维场景出发，将资深工程师的空间认知与工作方式工程化，转化为Agent可感知、可交互的系统能力。这不是简单地把专家经验写进prompt，而是把专家的工作方法嵌入整个Agent架构。

未来，随着可交互视觉拓扑等技术的普及，网络智能运维有望彻底告别“盲人摸象”的窘境。AI将真正学会像顶尖专家一样，看着网络、沿着路径，精准排障。