在电信网络日益复杂与庞大的背景下，管理、操作和优化变得愈加困难。尽管人工智能（AI）已应用于许多电信任务，但现有模型往往范围狭窄，需要大量标注数据，并且在异构部署中难以泛化。因此，网络故障排查仍然依赖于领域专家（SMEs）手动关联各种数据源以识别根本原因和纠正措施。
为了解决这些局限性，我们提出了一种多智能体系统（MAS），该系统采用智能工作流，利用大型语言模型（LLMs）协调多个专业工具，实现完全自动化的网络故障排查。故障一旦被基于AI/ML的监控系统检测到，框架将动态激活代理，例如协调者、解决方案规划者、执行者、数据检索器和根本原因分析器，以在短时间内诊断问题并推荐补救策略。
该系统的关键组件是解决方案规划者，它根据内部文档生成适当的补救计划。为此，我们对专有故障排查文档进行了微调，以使小型语言模型（SLM）生成领域相关的解决方案计划。实验结果表明，所提框架显著加快了在无线接入网络（RAN）和核心网络领域的故障排查自动化速度。
博主点评： 本文提出的多智能体系统结合微调的小型语言模型，为电信网络的故障排查提供了一种高效的自动化方案。这一创新方法不仅提高了故障响应速度，还减少了对人工干预的依赖，展现出AI在实际应用中的巨大潜力。未来，随着模型的进一步优化与更多数据的积累，该系统有望在更广泛的领域中推广应用。