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:
- RCA 专区入口:README.md#L74-L101
- 关键词标签说明:README.md#L36-L44
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:
- RCACopilot(EuroSys 2024)——理解 CoT 提示如何驱动端到端 RCA
- RCAgent(CIKM 2024)——理解“工具增强 Agent”如何落地成系统
- 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”
- Flow-of-Action(WWW 2025)——看懂 SOP 如何注入多智能体流程
- 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 🔑