“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。
0
评论 (0)