Causely：面向企业AI的因果智能层——关于SRE与可靠性工作流的基准研究
人工智能
2026-05-19 v1
摘要
部署到 SRE 工作流中的 AI 智能体目前通过在查询时解析原始可观测性遥测数据来获取对环境状态的理解，这带来了在 token 消耗、延迟和推理可靠性方面的语义解释代价。我们提出 Causely，这是一种因果智能层，它维护着环境拓扑、属性依赖和因果关系的结构化表示，并锚定于受管环境的本体表示。Causely 将原始遥测数据转化为实时的、可查询的模型，为 AI 智能体在生产环境中进行诊断、评估影响和采取安全操作提供所需的语义和因果基础。我们通过在一项受控环境中进行基准研究来评估这一价值主张，该环境在一个包含 24 个微服务的 OpenTelemetry 演示应用中注入了故障。我们的实验比较了四种智能体配置（Claude Code、OpenAI Codex、配备 Sonnet 和 Gemini 后端的 HolmesGPT）。实验在两种场景下分别评估有无 Causely 支持的情况：活跃故障事件和健康基线。在活跃故障场景中，因果基础将平均诊断时间缩短了 63%，平均 token 消耗减少了 60%，平均工具调用次数减少了 78%，将调查范围压缩了 4.8 倍，并使每次运行的直接 API 成本降低了 57%；根因诊断准确率从 75% 提升至 100%。
引用
@article{arxiv.2605.18327,
title = {Causely: A Causal Intelligence Layer for Enterprise AI A Benchmark Study on SRE and Reliability Workflows},
author = {Dhairya Dalal and Endre Sara and Ben Yemini and Christine Miller and Shmuel Kliger},
journal= {arXiv preprint arXiv:2605.18327},
year = {2026}
}