标签
本文利用OpenRCA基准研究了真实遥测数据上的根因分析，表明现有的经典方法和基于LLM的方法均失败，并提出了一种结构化多智能体RCA流水线，其性能大幅优于现有方法。进一步通过逆向推理揭示，主要瓶颈在于推理能力而非数据访问，并引入了自动化规则挖掘以减少对人工领域知识的依赖。
本文对离线根因分析基准进行了审计，发现聚合排行榜隐藏了子系统特定的获胜者，通过对11个子系统的778个案例进行成对比较。它发布了一个320行的审计模块，用于重新计算每个子系统的稳定性检查。
StableRCA是一种新颖的根因分析框架，通过估计局部马尔可夫边界并检测条件分布偏移来识别干预目标，避免了全局因果图的发现，在合成和真实数据集上展示了鲁棒性。
本文提出了罕见事件因果路径的形式化定义，并讨论了其可检验的含义，将简单口头解释与详细因果模型联系起来。
ORCA 是一款端到端因果分析的副驾驶，利用代理引导用户完成包括因果发现、效应估计和根本原因分析在内的工作流，并生成结构化报告。
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。
本指南来自 OpenAI Academy，解释了数据科学团队如何利用 Codex 加速分析工作流程，包括根本原因分析、业务影响报告以及处理模糊请求。