使用受约束创造力的互联网规模服务智能体式 RCA

互联网规模服务的系统管理员需要解决故障事件，以维持此类服务的可靠性。理想情况下，我们希望故障排查系统具备以下特性：(1) 能够高准确率地应对已知和未知故障事件；(2) 在大规模场景下具备成本效益；(3) 具备可解释性，能够提供操作人员可以据此采取行动的实用洞见；(4) 对操作人员的投入要求低。然而，包括新兴的 LLM 辅助智能体工作流以及用于编写多样化 RCA 算法的结构化框架在内，大多数现有系统都难以同时满足这四项要求。我们提出了 E4，一种面向互联网规模服务故障排查的新型智能体系统。E4 体现了受约束创造力这一范式，将 LLM 辅助自动化与探索的优势，同结构化方法的可解释性和高效性相结合。我们不允许 LLM 智能体编写任意代码或生成任意响应，而是为智能体提供一个受限 DSL，使其通过简单的无循环数据流程序生成响应。该 DSL 配备了用于故障排查的高级操作符，使 E4 的输出准确、可验证且可解释。在合成工作负载和真实世界工作负载的混合测试中，与最先进的解决方案相比，E4 的准确率最高提升 62%，同时以最高降低至原成本 1/12 的成本提供更具可解释性的响应。