迈向L4自智：大模型+知识图谱协同打造高精度AI决策的数智人

        自智网络（autonomous network， AN）的终极目标，是推动网络服务供给模式从“人为主导”向“系统自主”演进，实现L4高度自治，并逐步向L5完全自治进阶。AN L4要求系统在绝大多数场景下无需人工干预即可完成意图/体验、感知、分析、决策、执行的闭环，AI的赋能作用至关重要。然而，当前AI在通信领域运维中的应用面临三大瓶颈：告警信息海量且未有序关联，问题根因定位难；故障传播路径复杂，传统规则引擎覆盖有限；AI决策过程缺乏可解释性，难以获得运维人员信任。

        针对上述瓶颈，业界正积极探索“数字员工”模式，通过构建具备类人认知与协作能力的AI Agent系统，破解运维智能化难题。中国移动联合中兴通讯基于现网实践，提出“数智人”理念，其核心在于通过大模型与知识图谱的深度协同，推动网络智能实现从“统计预测”到“因果推理”的跃迁。

大模型+知识图谱协同整体方案

        方案以资源拓扑知识图谱、告警传播知识图谱两张静态图谱（见图1）为基础，融入实时告警，形成动态根因推理图谱，再通过图搜索算法剪枝生成最小根因推理子图（见图2），最后，将最小根因推理子图转化为提示词，输入到大模型，推理得到精准的故障根因定位结果，总体实现“准、稳、新”三大增益。准，图谱能准确表达现网故障情况，且能以剪枝后的相关度更高的根因推理子图作为模型的输入；稳，图谱能统一数据表达，叠加提示词优化，给大模型提供稳定输入，抑制幻觉；新，告警实时刷新，给大模型提供实时动态的最新网络故障状况。

• 资源拓扑知识图谱：将无线、传输、动环等跨专业对象（含小区、RRU、板卡、光口、设备、机房等资源节点）及其物理/逻辑连接关系细粒度建模，形成网络的数字地图。
  
  
• 告警传播知识图谱：借助大模型，从大量告警手册、历史案例等文档中自动抽取知识和所有可能的告警传播关系。
  
  
• 动态根因推理图谱：将资源图谱和告警传播2张静态知识图谱与实时告警有机融合，形成动态根因推理图谱，既是网络故障路径的实时仪表盘，也是大模型推理的事实数据库。
  
  
• 最小根因推理子图：通过图搜索算法，对动态根因推理图做剪枝压缩，生成故障相关度更高的最小根因推理子图。
  
  
• 大模型推理：以大模型作为决策中枢，基于最小根因推理子图展开深度推理，精准输出故障根因、故障位置、根因网元、解决方案。同时，通过提示词优化、输入Token的压缩、并发队列的管控等工程优化措施，提高模型性能。

实践：嵌入运营商端到端运维流程，提升AI决策精度

        在中国移动与中兴通讯联合建设的“联创+”自智网络开放实验室，智能决策“数智人”围绕“故障处理”自智高价值场景，构建以知识图谱为事实基础、大模型为推理中枢的智能决策体系，成功将传统依赖人工经验、规则匹配的低效流程，升级为自动化、高精度、可解释的AI决策流程。其核心突破点体现为，用图谱解决“输入不准、不稳”的问题，用大模型解决“复杂推理难”的问题，二者协同实现根因定位准确率突破90%。

故障图谱构建

        传统流程中，故障告警来自不同厂商设备、不同领域（无线、传输、动环），格式不一，语义模糊，人工分析需查阅大量设备手册、历史工单，且依赖专家经验，易漏判、误判。

        引入知识图谱解决方案，可明显改善以上问题。方案以资源拓扑图谱为载体，抽取13类网络资源实体（小区、RRU、光口、板卡、机房、传输路由等），构建跨专业、跨厂家的拓扑关系，存入资源拓扑图；以告警传播图谱为载体，通过大模型自动解析200+份设备告警手册，抽取1.2万+条告警传播关系，如“RRU链路断导致小区退服” 的传播链，存入告警传播图；为确保完整性，通过图神经网络（GNN）模型，可自动补全如“光口链路故障导致RRU链路断”等隐性因果关系，更新已有图谱；将实时告警信息精准挂载至资源拓扑图对应节点，使静态拓扑与实时告警有机融合，形成跨厂家、跨专业的动态根因推理图。

        故障图谱的构建，使得输入标准化，并将异构告警、资源数据统一为结构化图谱的节点与边，使大模型的输入“可理解、可追溯”。

生成最小根因推理子图

        传统流程中，一个退服告警可能关联数百条无关告警，人工筛选耗时且准确率低，大模型如直接输入原始告警流，会引发Token爆炸、推理混乱、幻觉频发等问题。

        引入图搜索解决方案，可让相关性更高的故障路径被识别。基于动态的根因推理图谱，获取所有可能的传播路径，锁定故障影响范围内的关联网元；基于图搜索算法，执行深度优先遍历并结合动态剪枝策略，剔除冗余节点与无关路径，生成最小化根因推理子图。

        实践中过滤了90%的无关信息，将告警、拓扑、传播关系整合为结构化图谱，推理范围显著收敛，使Token开销相比之前降低20%。

大模型根因推理

        传统流程中，固定规则库无法覆盖“长尾故障”（如多点并发、跨域耦合），即便借助大模型技术，因输入噪声大、上下文缺失，导致整体准确率不足60%。

        引入大模型+图谱协同解决方案，可明显提升推理准确性。输入优化方面，将剪枝后的根因推理子图输入大模型，而非原始告警日志；提示词工程方面，建立提示词评分体系，按厂家、专业定制提示模板；构建昌平、朝阳现网真实案例数据集1400+份，持续训练迭代；实现“快慢思考”机制，简单场景（如单点孤立告警）采用格式化总结的快速响应模式，复杂场景采用深度推理模式。

        方案实现根因定位准确率突破90%，具体为北京昌平区提升至91.7%，朝阳区提升至90.4%；可解释性提升，输出结果包含“根因网元”“故障位置”“处置建议”，与图谱路径一一对应，便于人工复核。

总结与展望

        2025年，“联创+”自智网络开放实验室将“大模型+知识图谱”协同能力作为“数智人”嵌入故障处理生产流程，实现了AI决策精度的革命性提升。此次实践成功并非依赖单一的新技术，而是以运营商真实业务流程为牵引，实现了从“人找信息”到“智能系统找根因”的运维范式转变，为网络迈向自智L4开创了可验证、可复制的典型实践。

        2026年，实验室将在技术和业务两条主线上继续深化。技术规划方面，以网络图模型为核心，强化跨厂家适配能力，同时推进知识图谱、图搜索与大模型的协同深度；业务场景规划方面，在现有宏站通断场景基础上，拓展室分通断场景，提升分析场景的覆盖全面性，同时将专业范围延伸至传输网，重点攻关传输高级别故障工单的根因定位，同时，在根因定位的基础上，进一步加强故障处理方案的推荐能力，更全面地嵌入故障系统生产流程，力求打造端到端智能化运维能力，推动故障处理全场景加速向自智L4迈进。