STAR：面向微服务根因分析智能体的阶段归因分诊与修复框架

基于大语言模型（LLM）的根因分析（RCA）智能体最近已成为微服务 AIOps 中事件诊断的一种有前景的范式。然而，其可靠性仍然脆弱：早期证据收集、假设构建或因果分析中的错误可能沿着推理轨迹传播，并最终破坏最终诊断。本文提出了 STAR，一个用于修复错误 RCA 轨迹的阶段归因分诊与修复框架。STAR 将 RCA 工作流显式分解为四个结构化阶段，即证据包（EP）、假设集（HS）、分析结构（AS）和决策报告（DR），并将智能体失败视为一个可定位到阶段的推理缺陷，而非一个整体的端到端错误。STAR 构建于 LangGraph 之上，执行阶段审计、预算感知的快速/慢速路由、通过反事实候选评估进行决定性阶段定位，以及特定阶段的补丁与重放修复。我们使用两个 RCA 智能体工作流和三个基础模型，在一个公开的大规模基准测试和一个真实世界生产数据集上评估了 STAR。实验结果表明，STAR 在根因定位和故障类型分类方面均持续优于强基线。此外，STAR 能以高精度识别出决定性的故障阶段，在一到两轮重放内修复大多数初始错误的轨迹，并从快速/慢速路由和反事实阶段评估中显著受益。这些结果表明，显式建模根因分析智能体在何处失败，是实现可靠、可调试且能自我修复的智能体化根因分析系统的有效途径。