华为GTS推出NetCanvas：让Agent看拓扑排障

在高度复杂的通信网络运维中，大语言模型驱动的 AI 智能体（Agent）面临着一道严峻门槛。IP 承载网是千行万业数字化系统的底座，但一旦发生故障，线索往往深埋在海量告警或静默配置中。排障的第一步往往不是怎么修，而是理清“此时此刻这张网络到底长什么样”。

业内曾普遍认为，凭借大语言模型的逻辑推理能力，排障会是一场降维打击。然而华为 GTS 算法团队在现网测试中发现了一个反直觉的痛点：AI 读得懂长文本日志，却记不住网络拓扑。纯文本 Agent 面对上百个节点的动态变化，容易陷入“拓扑失忆”（Topology Amnesia）——排障越深入，局部观测越多，整体空间关系却在长文本中坍塌，甚至在同一设备上反复打转数百步。

为此，团队推出了解决方案 NetCanvas。该方案通过引入一套「可交互视觉拓扑」机制，为大语言模型提供了一张可以画线推演的外部工作记忆画布，让 AI 学会像专业网络工程师一样“看着网络排障”。

解决“拓扑失忆”：三大核心机制

人类资深工程师排障时，脑中始终悬着一张动态流动的拓扑图，查到哪里就更新到哪里。NetCanvas 将工程师的工作方式工程化，通过三项设计颠覆了纯文本交互模式：

1. 边查边长（动态生长）：现网排障无法开局获取完美全景。NetCanvas 摒弃了静态全景图方案，Agent 每执行一次命令行探查，新发现的设备、链路与状态证据就会实时合并到图状态中，如同逐步驱散战争迷雾。
2. 按需取景与推理交互：Agent 可以随时切换全局与局部视图，或高亮焦点节点。更关键的是，它能主动在拓扑图上以红绿虚线标记通断，记录推理假设，实现“边看、边标、边排查”，免去在上下文窗口中死记硬背。
3. 符合领域习惯的布局：测试表明，采用符合网络工程师直觉的专业领域拓扑布局，比机器随机生成的拓扑更能大幅提升 Agent 的推理准确率。

数据验证：复杂场景成功率暴涨

团队在源自真实网络运维案例的公开基准 CTBench 上进行了评测，结果表现亮眼：

• 准确率大幅提升：NetCanvas 将 Agent 的综合任务通过率从 30.3% 提升至 54.5%（带有物理连线先验时可达 63.6%）。在双防火墙、ECMP（等价多路径）等高度依赖空间关系的复杂任务中，通过率更是从约 10% 跃升至约 90%。
• 稳定性极佳：逐题对比纯文本方案，NetCanvas 取得了 16 胜 0 负 50 平的成绩，无一题发生能力退化。
• 探查步数与成本下降：Agent 平均探查步数从 159 步降至 113 步。由于盲目绕路大幅减少，按“每解对一题”摊算，Token 试错成本下降了 26% 至 45%。

行业启示：外围系统是 Agent 延展的心智

NetCanvas 的实践表明，面向高度复杂的行业场景，单靠把文本硬塞进模型上下文中容易导致认知超载。外部工程系统（Harness）如何向模型呈现世界，直接决定了 Agent 的实战上限。通过将人类专家的空间感知工程化为可交互的工具，AI 智能体才能真正具备全局观，实现更高效的自动化运维。

目前，该项目代码已在 GitHub 开源。