arXiv cs.AI· Shihang Li, Thomas Anderson, Ratul Mahajan, Simon Peter, Luke Zettlemoyer·· 3 天前AI 评分42
自学习运维智能体 SDO：用 playbook 与检测器让分布式应用故障处理随时间改进
A Self-Defining Operator for Distributed Applications
AI 导读
研究者提出自学习运维智能体 SDO，通过将已解决故障的经验蒸馏为可复用的 playbook 和检测器脚本，让 LLM 智能体随处理事件增多而持续改进，而非每次从零排查。SDO 持续运行检测器，仅在其触发时调用 LLM，因此 token 成本随事件数量而非运维时长增长。在 11 个开源微服务应用上，SDO 将复发性故障的解决时间缩短 52%，并保持较低的单次事件成本，代码已开源。
正文 · AI 翻译
摘要：要以高可用性运行分布式应用，运维人员必须快速诊断并缓解任何事故。基于 LLM 的智能体可以帮忙，但与经验丰富的人类运维人员不同，它们不会随着处理更多事故而进步。每次调查都从零开始，重新推导可能的原因并重新检验假设，即使过去已解决过类似的故障。我们提出一种自我定义的运维人员（SDO），它通过更新其运维行为和记忆随时间改进。当 SDO 解决一个事故时，它会将这段经验提炼为 playbook，即描述未来类似故障事故可复用诊断指令的文档，以及检测器，即接收应用遥测数据作为输入并输出相关 playbook 的脚本。SDO 持续运行检测器，仅当某个检测器触发时才调用 LLM，因此其 token 成本随事故数量而非运维时间增长。在 11 个开源微服务应用中，SDO 将重复故障的解决时间缩短了 52%，同时保持每次事故的成本较低。SDO 已在 此 https URL 开源。
| 主题： | 分布式、并行与集群计算（cs.DC）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.14547 [cs.DC] |
| （或 arXiv:2610.14547v2 [cs.DC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14547 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Shihang Li [查看电子邮件]
[v1]
2026年10月10日星期六 04:08:13 UTC（2,590 KB）
[v2]
2026年10月14日星期三 06:00:51 UTC（2,590 KB）
来源：arXiv cs.AI · arxiv.org