基于Co-Sight Pro的自主决策型网优专家：从“经验固化”到“知识进化”

        随着5G网络复杂度跃升，传统依赖“专家经验+硬编码”的网优模式已无法应对经验孤岛、数据黑盒与进化断层的核心挑战。本文提出基于知识生命周期驱动的自主决策型网优智能体实践，重点阐述Co-Sight Pro动态规划框架如何依托知识工程（全景图谱、TIR评测集、动网记忆），实现从“单点工具调用”到“多步自主决策”的范式跃迁，重塑网优生产力。

网优智能决策的核心痛点

        在当前的网络优化作业流程中，尽管自动化工具已部分介入，但在面对复杂工单处理时，仍面临三大难以逾越的鸿沟：

• 经验孤岛与决策僵化：专家经验难以复制，每次优化都要重新探索；传统硬编码工具灵活性差，无法适应复杂多变的网络环境，且知识传递依赖人工，效率低下且容易失真。
  
  
• 数据黑盒与不可解释：大模型幻觉难以控制，导致决策结果不可靠。决策过程缺乏透明度，难以获得专家信任；模型输出与网络优化目标（如KPI对齐）不完全匹配，仍需人工干预。
  
  
• 进化断层与闭环缺失：运行态的Badcase（失败案例）无法自动反哺生产态。从问题发现到解决方案应用的迭代周期长，导致同样的问题反复出现，网络无法实现“越用越聪明”。
   

        要解决上述痛点，必须从传统的“规则+工具”范式，转向以知识为核心驱动力的知识驱动型开发范式。

知识驱动的自主决策架构

        自主决策型网优专家核心是以Co-Sight Pro为动态规划引擎，以知识工程为基石，构建完整的“感知—分析—决策—执行—进化”闭环。其总体逻辑遵循知识生命周期（见图1）：

• 知识生产：通过自动化构建全景知识图谱、TIR（test-driven intelligent refinement）评测集及“动网记忆”，将原始数据与专家经验转化为结构化知识。
  
  
• 知识驱动：通过领域知识注入精调模型，由图谱驱动Co-Sight规划，结合思维链（CoT）推理，实现可解释的智能决策。
  
  
• 知识回流：运行态Badcase自动挖掘，驱动TIR代码迭代与模型增量训练，形成知识飞轮。

Co-Sight Pro：自主决策的“大脑”

        Co-Sight Pro是区别于传统固定工作流的面向Agentic AI的核心组件。传统工作流僵化，无法应对网络突发变化，而Co-Sight Pro实现了动态规划和执行，并基于TIR技术，实现工具精准使用。

• 图谱驱动的动态规划
   

        当接到工单任务（如“处理4G/5G负荷不均衡”）后，Planner Agent首先挂载知识图谱；通过自然语言查询图谱，获取“事件子图”和“根因子图”，图谱提供了“上帝视角”，展现“现象—事件—根因”的关联；根据图谱查询结果，Planner Agent自主编排出一张可并发执行的DAG（directed acyclic graph，有向无环图），达成图谱驱动的自主规划。

• 反思与重规划机制
   

        Actor Agent执行规划好的诊断路径。在执行过程中，Agent实时观察执行结果与网络状态，若发现预期外的变化（如工具返回Null或出现新告警），立即触发反思与重规划，动态调整后续步骤或智能终止任务，确保优化收益正向。

• 与TIR工具的协同
   

        在诊断链中，Co-Sight调用基于TIR技术训练的根因诊断工具。TIR工具将专家经验代码化，不依赖GPU，支持高并发运行。当TIR工具无法给出结论时，由精调模型进行托底判断，保障诊断覆盖率。

知识工程：支撑自主决策的“基石”

        Co-Sight Pro的自主决策能力并非凭空产生，而是依赖于强大的知识工程体系提供的“养料”（见图2）。

• 全景知识图谱：决策的“先验知识”
   

        网优涉及海量参数，算法文档篇幅大，引用关系错综复杂。知识图谱自动化构建了“现象—根因—事件”的关联。Co-Sight Pro通过查询图谱，能迅速锁定需要执行哪些核查项（如“事件核查”和“30个根因诊断工具”），为规划提供结构化输入。

• TIR评测集：诊断的“精度保障”
   

        使用大模型推理根因，依赖GPU且推理成本高。TIR技术通过“智能数据生成+代码自进化”，将专家经验固化为高精度代码。在4G/5G负荷不均衡场景下，F1 Score可达100%。这使得Co-Sight Pro在调用诊断工具时，能获得可靠、高效的结论，且过程完全可解释。

• 动网记忆：进化的“经验养料”
   

        运行态经验无法沉淀，迭代周期长。动网记忆记录了Agent每一次操作的上下文（工具调用历史、策略成败、网络状态变化）。这些非结构化轨迹被转化为结构化的CoT语料，用于后续的模型精调。这使得Co-Sight Pro能基于历史经验，在面对类似场景时做出更优的路径规划。

关键场景与业务价值

        基于Co-Sight Pro的自主决策能力，在网优工单处理全流程中实现了质的飞跃。

• 工单识别：将领域知识注入下的模型精调，通过交互式意图引导，多轮澄清模糊意图，解决列头语义多样、对象提取难问题。
  
  
• 问题复核：基于TIR算法核查和精调模型托底，自动调用TIR工具扫描实时状态、快速过滤，避免大量假异常/已自愈问题浪费人力。
  
  
• 根因诊断：基于图谱驱动Co-Sight规划、CoT推理，使用Agentic Reasoning、TIR工具，构建可解释诊断链，避免黑盒推理、不可信。
  
  
• 方案生成：使用大小T融合多目标寻优、孪生验证，自动合并冲突方案，解决多根因冲突、难以合并问题。
  
  
• 执行闭环：基于一键下参、智能回退机制，实时监控KPI，KPI恶化时自动触发回退，避免僵化执行、负优化风险。
  
  
• 经验沉淀：基于动网记忆、闭环反馈，进行Badcase回流，驱动TIR代码/模型在线进化，避免问题反复出现。
   

网优业务成效如下：

• 工单优化率：70%+（目标2026年底>90%）；
  
  
• 工单自闭环率：20%（目标2026年底>30%）；
  
  
• 工单处理时延：<4小时（目标缩短至<2小时）；
  
  
• 根因诊断准确率：通过TIR保障，场景内达≥99%。

总结与展望

        基于Co-Sight Pro的自主决策型网优专家从知识的“使用者”向知识的“学习者和进化者”转变。

        当前，已实现了在容量、质差场景下的动态规划与根因诊断，通过TIR技术解决了算法精度与资源消耗的矛盾，通过动网记忆为系统进化奠定了基础。

        后续将继续向L4级自智网络智能体高度自智迈进。在技术上，将攻克长链CoT推理、TIR代码在线更新、多智能体协同等难题；在场景上，将全面覆盖覆盖、质差、干扰场景，实现跨UME/多厂商适配。

        最终，将构建一个自感知、自诊断、自优化、自进化的自愈网络，真正实现“人在环上、流程监督”的运维新范式，以知识为核，以智能为翼，引领行业变革。