TRACE：用智能体启发式设计解决真实世界资源分配问题

论文提出 TRACE 框架，将进化式自动启发式设计循环与智能体知识抽取流程结合。其中 Reasoner 智能体结合目标分析日志结构并提出系统动态假设，Coder 智能体编写并执行针对具体结构的代码来验证假设，进而为启发式规则生成洞见或可执行工具。作者在合成云基准与基于工业测试床实测数据构建的 5G vRAN 场景上评估 TRACE。

既有基于 LLM 的自动启发式设计主要面向完全向模型说明的组合问题，且只依赖标量适应度分数。TRACE 转向真实系统，把每次评估产生的海量噪声日志转化为可推理的知识来源，试图弥合研究型学习调度器与工业界手写规则之间的落差。

真实系统中决定启发式好坏的处理器速度、功耗等行为事先未知，分数只能说明哪个启发式更好，无法解释原因，而原因记录在系统日志里。日志规模大、噪声高、目标相关且格式随软硬件栈变化，无法直接交给 LLM 或用固定解析器处理。TRACE 让 Reasoner 提出假设、Coder 生成并执行结构化代码抽取信号，再回馈进化循环。

对调度与资源分配类产品，这意味着可把运维日志和运行指标纳入启发式规则的自动生成与迭代，减少对手写规则和人工调参的依赖。研发上需支持智能体读写日志、执行代码与验证假设的闭环，并关注延迟预算与可审计性，因为工业部署仍要求规则可读可查。

• 在云调度或 5G vRAN 等场景，搭建日志驱动的启发式自动迭代流水线，用 Reasoner 假设与 Coder 验证替代部分人工调参。
• 为现有自动启发式设计工具增加日志模式分析模块，把标量分数反馈升级为可解释的系统动态洞见。
• 沉淀跨软硬件栈的日志结构适配层，降低智能体抽取目标相关信号的接入成本。
• 面向运维团队提供可读可审计的生成规则导出能力，满足低延迟执行要求。

• TRACE 在合成云基准与 5G vRAN 场景上的具体性能提升幅度和对比基线尚未在证据中给出。
• 日志抽取流程带来的额外延迟与计算成本是否满足工业实时调度预算，证据未说明。
• 该方法在证据提及之外的硬件与软件栈上能否迁移，尚无数据支持。
• 生成的启发式规则在长期运行中的审计性与可维护性如何，证据未涉及。