microservices

TopoEvo 是一种面向微服务根因分析、感知拓扑结构且自我进化的多智能体框架，它将图表示学习与结构化、受拓扑约束的推理相结合。在多个数据集上，根因定位准确率绝对提升了 3.44%，故障类型分类性能提升了 4.39% 到 16.81%。

STAR是一个阶段归因的分类与修复框架，它将基于LLM的RCA Agent工作流分解为四个结构化阶段，支持分阶段审计、反事实评估以及补丁-重放修复，以改进微服务AIOps中的根因定位和故障类型分类。

Anyscale 发布了一篇技术指南，介绍如何使用 Ray Serve、MCP 和 A2A 协议部署面向生产环境的 AI Agent。文章针对常见的底层基础设施瓶颈，提出了一种解耦的微服务架构，支持 LLM、工具与 Agent 的独立扩缩容。