awesome-LLM-AIOps根因分析RCA专题:从Prompting到多智能体系统,20+方法一文吃透

原创2026-11-03 21:12:021,604 阅读

awesome-LLM-AIOps根因分析RCA专题:从Prompting到多智能体系统,20+方法一文吃透

awesome-LLM-AIOps 是一个聚焦大语言模型(LLM)与 IT 运维(AIOps)交叉领域的精选研究清单,其 根因分析(Root Cause Analysis,RCA) 专区收录了 20+ 个代表性方法,覆盖从 Prompting、Fine-tuning 到 LLM Agent 与多智能体系统的完整技术演进路线。本文带你零代码上手这份清单,快速建立 LLM 根因分析的知识地图 🗺️

一、什么是 LLM 根因分析?为什么值得重点学

当线上服务出现故障时,运维人员最头疼的问题就是:“到底哪里出了问题?”。根因分析(RCA)就是回答这个问题:从告警、日志、链路追踪等海量数据中,定位到故障的源头。

传统 RCA 依赖专家经验 + 规则系统,成本高、泛化差。而大语言模型带来了三个新机会:

传统痛点 LLM 带来的改变
告警风暴,人工排障慢 自动聚合告警、生成可读的根因结论
每个系统都要定制规则 用 Prompting 直接“问”出根因
故障排查流程知识散落在文档里 Agent 可按 SOP 自动执行排查动作

📌 RCA 是 LLM AIOps 中落地价值最高、论文最密集的任务方向,也是本文专题的主线。

二、快速定位:30 秒找到 RCA 专区

整个项目的入口就是 README.md,采用“任务分类 + 论文清单”的组织方式。RCA 内容位于 1.3 Root Cause Analysis 小节,共 27 篇工作:

每个条目都用彩色标签标明三件事,看标签即可掌握技术路线 🏷️

标签颜色 含义 示例
🔵 蓝色 系统/方法缩写 RCAgent、RCACopilot、OpenRCA
🔴 红色 使用的 LLM 技术 Prompting(CoT)、Finetuning、Agent
🟤 棕色 主攻任务 Root_Cause_Generation、Fault_Localization

三、方法全景图:四大技术路线一站看懂

按 LLM 技术的演进顺序,这 20+ 方法可以划分为 四条路线:

3.1 路线一:Fine-tuning(微调)——早期探索

最早期(2023 年起)的工作直接用指令微调让小模型学习历史工单,输出根因与缓解步骤:

  • ICSE 2023《Recommending Root-Cause and Mitigation Steps for Cloud Incidents using LLMs》:RCA 方向的开篇之作,微调模型同时输出根因 + 缓解建议
  • IEEE Access 2025:LLM + 贝叶斯网络融合,兼顾异常检测与根因分析

💡 新手提示:微调路线的优点是可控、成本低,缺点是知识更新慢、难以跨系统迁移。

3.2 路线二:Prompting(提示工程)——零样本起步

无需训练,直接用 CoT(思维链)、ICL(上下文学习)、Tree of Thought 等提示技巧让大模型“说出”根因,是入门最容易复现的一档:

方法 发表 提示技术 亮点
RCACopilot EuroSys 2024 Prompting(CoT) 首个端到端 RCA 系统,根因分类 + 生成
Xpert ICSE 2024 Prompting 推荐诊断查询语句,辅助人工排查
LasRCA ASE 2024 One-Shot “大模型 + 小分类器”协作,一次示例即可用
LM-PACE FSE Industry 2024 ICL 让 LLM 对 RCA 结论输出置信度
GPT-4 ICL 根因 FSE Industry 2024 ICL 验证 GPT-4 上下文学习做 RCA 的可行性
X-lifecycle Learning FSE Industry 2024 ICL 跨故障生命周期学习的提示范式
COCA ICSE 2025 Prompting 引入代码知识做生成式 RCA
eARCO Preprint 2025 Prompt Optimization 自动优化提示词,提升 RCA 效率
LogPilot ASE 2025 Prompting 意图感知的大规模告警诊断,偏工程落地
FVDebug Preprint 2025 Prompting 面向形式化验证失败的自动 RCA

3.3 路线三:LLM Agent(工具增强智能体)

Agent = LLM + 工具调用。让模型自主查询监控、执行命令、多轮推理,是目前的主战场 🚀

  • RCAgent(CIKM 2024):工具增强 + 系统级实现,可自主收集信息并完成根因生成,是该路线的标杆工作
  • mABC(EMNLP 2024 Findings):受区块链启发的多智能体协作,用于微服务根因定位
  • Cloud Atlas(Preprint 2024):Agent + 因果洞察,实现高效故障定位
  • ThinkFL(Preprint 2025):用强化微调让 Agent 自我精炼定位过程
  • AgentFM(Preprint 2025):角色感知的多智能体,专攻分布式数据库故障管理
  • 另有一篇 FORGE 2026 实证研究专门剖析了 LLM 做云端 RCA 时的推理失败模式(停滞、偏见、混乱),非常适合作为“避坑指南”阅读

3.4 路线四:多智能体系统(Multi-Agent)——当前最前沿

单个 Agent 容易“钻牛角尖”,多智能体分工协作成为 2025 年后的新趋势:

  • Flow-of-Action(WWW Industry 2025):SOP 增强的多智能体系统,让 Agent 按标准作业流程排查
  • RCAFlow(AAAI 2026):工作流引导的分层规划多智能体架构
  • RCLAgent(TDSC 2026):多智能体“递归思考”(Recursion-of-Thought)做深层根因定位
  • AMER-RCL(ICSE-SEIP 2026):用智能体记忆增强递归推理
  • MA-RCA(Complex & Intelligent Systems 2025):通用多智能体框架的 RCA 应用

四、必读精读清单:5 篇代表作建议顺序

按学习成本从低到高排序,配合 README.md#L76-L101 的原文条目阅读:

  1. RCACopilot(EuroSys 2024)——理解 CoT 提示如何驱动端到端 RCA
  2. RCAgent(CIKM 2024)——理解“工具增强 Agent”如何落地成系统
  3. OpenRCA(ICLR 2025)——RCA 评估基准(Benchmark),回答“LLM 到底能不能定位软件故障根因”
  4. Flow-of-Action(WWW 2025)——看懂 SOP 如何注入多智能体流程
  5. RCAFlow(AAAI 2026)——掌握最新的多智能体分层规划范式

📖 想先建立全局认知?先读清单开头的两篇综述:《A Survey of AIOps for Failure Management in the Era of LLMs》与微服务环境下的 AI 助手文献综述(见 README.md#L48-L54)。

五、如何评估 RCA 效果?三大基准

RCA 好不好,要看基准测试。清单中收录了这些评估体系:

基准 出处 用途
OpenRCA ICLR 2025 LLM Agent 定位软件故障根因的基准
故障传播感知基准 FSE 2026 重新思考微服务 RCA 的评估方式
AIOpsLab MLSys 2025 评估自主云运维 AI Agent 的整体框架
ITBench ICML 2025 跨多样真实 IT 自动化任务的 Agent 评估

⚠️ 新手常犯的错误:只比“准确率”不看“定位深度”。FSE 2026 的故障传播感知基准提醒我们:沿着故障传播链追溯到源头才算真正的根因定位。

六、新手 3 步学习路线

步骤 目标 对应阅读
第 1 步:打基础 理解 LLM AIOps 全景与故障管理流程 1.0 Survey & Benchmark 两篇综述
第 2 步:会复现 掌握 Prompting 路线(CoT/ICL)的 RCA 设计 RCACopilot、LM-PACE、LasRCA
第 3 步:看前沿 理解 Agent 与多智能体的架构思想 RCAgent → Flow-of-Action → RCAFlow

🧩 延伸学习:RCA 不是孤立任务,与告警聚合、异常检测(README.md#L65-L72)、日志解析(README.md#L129-L143)紧密相关,跨章节阅读会有惊喜。

七、项目结构与参与方式

仓库结构非常轻量,适合 fork 后快速浏览:

  • README.md:全部论文清单与分类导航
  • LICENSE:MIT 协议,可自由使用与二次分发
  • 投稿指南:README.md#L188-L198,按“选分类 → 按格式描述 → 加关键词标签”三步即可贡献新论文

📝 投稿小贴士:条目要求标题与作者列表之间留空行、注意缩进,并提供 PDF 链接;分类放错了也没关系,维护者会帮你修正——直接贡献即可!

总结

  • awesome-LLM-AIOps 的 RCA 专区是目前最全的 LLM 根因分析论文地图,27 篇工作覆盖 2023–2026 年的技术演进
  • 技术路线清晰四步走:Fine-tuning → Prompting → Agent → Multi-Agent
  • 评估要认准 OpenRCA、AIOpsLab 等基准,避免“只报准确率”的误区
  • 建议从 RCACopilot 读起,沿 RCAgent → OpenRCA → RCAFlow 一路追到最前沿

掌握这份清单,你就拥有了 LLM 根因分析领域的完整知识索引 🔑

登录后查看全文
awesome-LLM-AIOps