真实世界遥测数据的根因分析能走多远？

arXiv论文提出Structured Multi-Agent RCA pipeline，在真实世界的OpenRCA遥测数据集上显著优于经典因果发现和现有基于LLM的多智能体方法。通过引入反向推理agent诊断失败原因，发现绝大多数故障中所需证据存在但未被推理利用，瓶颈是推理能力而非数据。还引入自动规则挖掘减少人工知识依赖。

此前针对生产微服务故障的根因分析方法（包括经典因果发现和LLM多智能体）在OpenRCA基准上准确率很低，而新pipeline大幅提升性能，并首次量化指出推理能力是主要瓶颈而非数据缺失，为后续优化提供了明确方向。

该方法采用结构化多智能体架构：Stage1提取异常信号，Stage2通过反向推理agent判断正确答案对应的信号是否在Stage1中被使用，将失败分类为推理缺口（证据未被使用）或数据歧义（证据缺失），并自动从推理报告中挖掘判别规则。

对运维产品的影响：可直接集成到微服务可观测性平台，提升根因定位准确率，减少对人工领域知识的依赖；同时可定位自身推理能力的不足，为模型选型或微调提供依据。

• 开发基于该pipeline的自动化故障根因分析插件，集成到Prometheus或Datadog等监控平台
• 利用反向推理报告中的规则，训练轻量级专用模型替代昂贵的大模型推理
• 为APM产品新增“根因推理质量诊断”工具，帮助用户快速判断是数据不足还是模型问题
• 基于该框架构建面向微服务的根因分析SaaS服务，按调用量或准确性收费

• 该pipeline在不同规模（几十到上千服务）的微服务集群上的泛化能力如何？
• 自动规则挖掘产出的规则是否可解释，且能否在不同系统中迁移？
• 反向推理agent本身依赖正确答案，实践中如何在没有标注数据时应用？
• 该方法需要的计算资源和推理延迟是否满足生产环境的实时性要求？