根因分析在真实遥测数据上的能力边界：基于 OpenRCA 基准的实证研究
来源：arXiv:2607.13548
作者：Athira Gopal, Ashwanth Krishnan
提交时间：2026年7月15日
核心发现
本研究对当前微服务故障根因分析（Root Cause Analysis, RCA）方法进行了系统性基准测试，发现无论是经典因果发现算法还是现有大语言模型（LLM）驱动的多智能体系统，在 OpenRCA 这一大规模多模态数据集上均表现不佳。研究提出了一种结构化多智能体 RCA 管道，并揭示了一个关键洞察：多数失败并非由于数据缺失，而是推理能力不足。
问题背景
在生产环境中识别微服务故障的根因，需要基于指标（metrics）、日志（logs）和链路追踪（traces）等多模态遥测数据进行复杂推理。这一问题长期以来对传统方法和基于 LLM 的方法都构成了挑战。
OpenRCA 数据集作为该领域的基准，具有以下特征：
- 大规模与多模态
- 缺乏详细的领域知识
- 所有现有方法在该数据集上均产生持续偏低的准确率
方法评估与发现
1. 基线方法的局限性
研究测试了两类主流方法：
- 经典因果发现方法
- 现有的 LLM 驱动多智能体系统
结果表明，这两类方法均无法在该基准上可靠地识别根因。
2. 提出的解决方案：结构化多智能体 RCA 管道
作者提出了一种新的 Structured Multi-Agent RCA pipeline，其特点包括：
- 在性能上显著优于现有的 LLM 基线和经典基线
- 支持两种运行模式：有领域知识 和 无领域知识
3. 故障诊断机制：逆向推理智能体
为定位失败根源，研究引入了一个 逆向推理智能体（reverse reasoning agent），其工作流程为：
1. 给定正确答案
2. 识别提取到的异常中哪些信号支持该答案
3. 判断第一阶段（Stage 1）是否访问到了这些信号
据此，每种失败被分类为：
- 推理差距（Reasoning Gap）：证据存在但未被使用
- 数据歧义（Data Ambiguity）：证据确实缺失
4. 关键结论
逆向推理分析揭示了一个反直觉的发现：
所需证据在绝大多数失败案例中是存在的。瓶颈不在于数据获取，而在于智能体正确推理的能力。
5. 自动化规则挖掘管道
研究进一步引入了一条 自动化规则挖掘管道（automated rule mining pipeline），能够从逆向推理报告中系统地提取判别规则，从而减少对手动知识工程（manual knowledge curation）的依赖。
对 AI 从业者的启示
约束因素
在所有配置下，研究确定了两个主要约束：
1. 模型推理能力
2. 领域知识
更强的模型能够嵌入更多领域专业知识，而显式的知识注入可以在一定程度上弥补这一差距。
性能天花板
一个重要的限制是：
即使证据提取达到完美，推理性能仍存在实际上限。仅靠脚手架工程（scaffold engineering）和数据管道的改进无法缩小这一差距；进步需要在模型层面实现。
这意味着，对于依赖 LLM 进行复杂推理的系统而言，底层模型的推理能力是决定性因素，而非外围的数据处理或提示工程优化。
技术总结
| 维度 | 发现 |
|---|---|
| 现有方法表现 | 经典方法与 LLM 多智能体均不可靠 |
| 新方案 | 结构化多智能体管道显著提升性能 |
| 失败主因 | 推理差距 > 数据歧义 |
| 核心瓶颈 | 模型推理能力与领域知识 |
| 改进方向 | 需从模型层面突破，而非仅优化数据管道 |
本文所有事实、数据和结论均来自 arXiv:2607.13548 论文摘要及元数据，未引入材料外信息。