STR-Agent：面向 LEO 卫星网络 QoS 感知路由的 LLM 驱动智能体

研究者提出 STR-Agent，一个由大语言模型驱动的 LEO 卫星网络 QoS 感知路由框架，将意图感知、工具执行、经验积累与反思式策略调整整合进单一智能体架构。其中感知模块把自然语言服务请求转为结构化路由语义，反思模块依据实时拥塞与历史路由结果动态调整服务到路由策略的映射，而非依赖固定目标。在 Walker-Delta 星座仿真中，端到端时延较 DQ-Dijkstra 最多降低 60%，监督微调后意图理解准确率从 45.4% 提升至 92.45%，反思模块在 600 Mbps 下再降低 120 ms 时延。

以往卫星路由研究多在预定义目标下优化网络状态，很少处理把非结构化自然语言服务请求转成自适应路由决策这一问题。该工作把 LLM 的意图理解与反思机制引入路由闭环，并给出时延与意图理解准确率的具体量化结果，说明自然语言到网络策略的映射具备可测的工程可行性。

机制上分为三层：感知模块将自然语言请求解析为结构化路由语义，解决输入非结构化问题；工具执行层按语义调用路由动作；反思模块根据实时拥塞状况与历史路由结果，动态修正服务与路由策略之间的映射，从而摆脱固定目标函数的限制。为支撑该流程，作者还构建了面向 LEO 服务理解的领域监督微调数据集并训练专用感知模型。

对产品与研发的直接含义是：卫星网络运维或服务开通界面可用自然语言下发需求，由智能体转译为路由配置，减少人工映射规则。监督微调可将意图理解准确率从 45.4% 提升到 92.45%，意味着感知模型需要领域数据投入；反思机制带来的时延收益依赖实时拥塞数据与历史结果回传，对遥测采集与闭环链路提出新要求。

• 面向卫星运营商做自然语言服务开通原型：将用户 QoS 描述自动转成路由策略，先在仿真环境验证映射准确率。
• 构建 LEO 服务意图理解的标注数据集与微调管线，作为可复用的领域感知模型资产对外提供。
• 在网管产品中加入反思式策略调优模块，按实时拥塞与历史路由结果动态调整策略映射，并以时延指标做 A/B 验证。

• 仿真结果基于 Walker-Delta 星座，尚未在真实在轨卫星网络中验证。
• 证据未说明端到端时延、意图准确率之外的其他 QoS 指标（如丢包、抖动）表现。
• 反思模块依赖的实时拥塞与历史路由数据在实际系统中的采集频率与开销未给出。
• 监督微调数据集的规模、构建方式与可获取性未在证据中说明。