MetaKube：面向 Kubernetes 故障诊断的经验感知 LLM 框架
机器学习
2026-03-26 v1
摘要
现有的基于 LLM 的 Kubernetes 诊断系统无法从运营经验中学习，仅依赖静态知识库而无法从过往解决方案中获得改进。我们提出 MetaKube，一个经验感知的 LLM 框架，通过三项协同创新实现：(1) 基于 Episodic Pattern Memory Network (EPMN) 的 episodes 模式记忆网络，从历史解决方案中抽象诊断模式，并提供置信度校准的检索，实现快速模式匹配与引导因果探索；(2) 元认知控制器，根据问题熟悉度动态在直观路径与分析路径之间路由，优化速度与深度之间的权衡；(3) KubeLLM，一个可本地部署的 8B 模型，通过在我们的 7,000 样本 Kubernetes 故障解决数据集上进行领域特定后训练获得增强。在 1,873 项真实场景上的评估显示，MetaKube 将 Qwen3-8B 从 50.9 分提升至 90.5 分，接近 GPT-4.1 性能，同时确保完全数据隐私。EPMN 通过经验学习贡献了 15.3% 的提升，持续学习实验表明系统随积累运营知识而逐步提升。源代码和相关资源可在 https://github.com/MetaKube-LLM-for-Kubernetes-Diagnosis/MetaKube 查阅。
引用
@article{arxiv.2603.23580,
title = {MetaKube: An Experience-Aware LLM Framework for Kubernetes Failure Diagnosis},
author = {Wei Sun and Ting Wang and Xinran Tian and Wanshun Lan and Xuhan Feng and Haoyue Li and Fangxin Wang},
journal= {arXiv preprint arXiv:2603.23580},
year = {2026}
}