TAMO：基于工具辅助的多模态 LLM 智能体进行云原生系统的细粒度根因分析
人工智能
2025-11-06 v5
摘要
在云原生系统中实施基于大型语言模型（LLMs）的根因分析（RCA）已成为现代软件运营和维护的关键议题。然而，现有的 LLM 方法面临三个关键挑战：多模态输入受限、上下文窗口受限以及动态依赖图。为解决这些问题，我们提出一种基于工具的 LLM 智能体，集成多模态观测数据进行细粒度 RCA，称为 TAMO，包括多模态对齐工具、根因定位工具和故障类型分类工具。具体而言，TAMO 将多模态观测数据统一为时间对齐的表示，以实现跨模态特征一致性。基于统一的表示，TAMO 然后调用其专门的根因定位工具和故障类型分类工具，以进一步识别系统上下文下的根因和故障类型。该方法克服了 LLM 在处理实时原始观测数据和动态服务依赖方面的限制，通过结构化提示设计引导模型生成与系统上下文一致的修复策略。实验在两个基准数据集上进行，表明 TAMO 在性能上优于当前最先进（SOTA）方法。
引用
@article{arxiv.2504.20462,
title = {TAMO: Fine-Grained Root Cause Analysis via Tool-Assisted LLM Agent with Multi-Modality Observation Data in Cloud-Native Systems},
author = {Xiao Zhang and Qi Wang and Mingyi Li and Yuan Yuan and Mengbai Xiao and Fuzhen Zhuang and Dongxiao Yu},
journal= {arXiv preprint arXiv:2504.20462},
year = {2025}
}