在大规模分布式系统中，根因分析（RCA）面临单一症状跨服务、数据、配置、计算和组织边界的挑战。响应者需要在证据不完整的情况下组装线索，并协调掌握因果链不同环节的专家。传统语言模型代理仅凭工具访问难以解决此类问题，它们可能使用过时或时机不当的上下文，将查询失败误判为症状缺失，报告不支持的系统状态，并给为人工使用设计的可观测性服务带来过载。Diviner（Domain‑Informed Verifiable Incident Navigation through Evidence and Review）在 Meta 内部构建了一个围绕四阶段可靠性生命周期的代理式 RCA 系统。
Encode 阶段将大量已审查的故障案例与服务所有者的专业知识结合，生成有范围、可版本化的技能、工作流、类型化工具以及事故知识图谱。
Execute 阶段采用自适应的 Lead 与上下文隔离的 Worker，将相关知识映射到特定时间点的证据上，并维护与证据关联的假设链。
Evaluate 阶段通过将调查路径与响应者审查的结果对比，量化精确原因、有效方向和 Groundedness 等指标。
Adapt 阶段依据重复出现的知识缺口和值班反馈，提炼聚焦的运营知识更新，仅在回放、质量检查并获所有者批准后正式纳入系统。
Diviner 通过人机协同的方式，实现了对大规模基础设施故障的快速定位、可验证的推理过程以及持续的知识迭代，显著提升了 RCA 的效率和可靠性。
点评