Bian Que: An Agentic Framework with Flexible Skill Arrangement for Online System Operations
Bian Que is een agentisch framework dat op KuaiShous zoekmachine is ingezet en de orchestratieknelpunten in operationele systemen op grote schaal aanpakt door een unificerend operationeel paradigma, flexibele vaardigheidsarrangementen voor dynamische data- en kennisretrieval en een zelfevoluerend mechanisme in te voeren, wat uiteindelijk leidt tot een reductie van het aantal waarschuwingen met 75% en een verkorting van de gemiddelde tijd tot oplossing met meer dan 50%.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je de kapitein bent van een enorm, supersnel ruimteschip (zoals de zoekmachine van Kuaishou) dat dagelijks honderden miljoenen passagiers vervoert. Het schip is zo complex dat het duizenden bewegende delen heeft, en elke dag maakt het ingenieurspersoneel tientallen kleine aanpassingen aan de motoren, navigatiesystemen en levensondersteuning.
In het verleden was het veilig houden van dit schip een nachtmerrie. Telkens wanneer een ingenieur een wijziging aanbracht, begonnen alarmen te blaffen. Het menselijke team moest rondrennen, duizenden meters controleren, eindeloze logs lezen en raden wat er mis was. Het was vermoeiend, traag en leidde vaak tot fouten, omdat er gewoon te veel informatie was om te verwerken.
Dan komt BIAN QUE in beeld.
Denk aan BIAN QUE niet als een enkele robot, maar als een super slimme, zelfverbeterende "Stafchef" voor je ingenieursteam. Het reageert niet alleen op problemen; het voorspelt ze, diagnoseert ze en leert van elk enkel gebeurtenis om beter te worden in zijn werk.
Hier is hoe het werkt, opgesplitst in drie eenvoudige concepten:
1. De Drie Lijnen van Verdediging (De "Wachten")
In plaats van te wachten tot een ramp gebeurt, organiseert BIAN QUE het werk in drie specifieke wachters, net als in een ziekenhuis:
- De Poortwachter (Release-interceptie): Voordat een nieuwe update zelfs maar wordt gelanceerd, controleert deze agent deze. Het is als een strenge bouncer bij een club die ID's en tassen controleert voordat je binnenkomt. Als iets er riskant uitziet, stopt het de lancering direct, waardoor problemen worden voorkomen voordat ze beginnen.
- De Gezondheidsinspecteur (Proactieve inspectie): Deze agent wandelt regelmatig over het schip en controleert de motortemperatuur en brandstofniveaus, zelfs wanneer er geen alarmen afgaan. Het vindt "stille" problemen die later tot een crash kunnen leiden, en repareert ze voordat iemand zelfs maar weet dat er een probleem is.
- De Detective (Alert Root Cause Analysis): Als er wel een alarm afgaat, is deze agent de detective. In plaats van in paniek te raken, verzamelt het direct de juiste aanwijzingen (logs, metrieken) en vraagt: "Wat is er eigenlijk kapot?" Het geeft het menselijke team een duidelijk antwoord, waardoor ze uren aan gissen worden bespaard.
2. Het "Flexibele Vaardigheid"-systeem (De "Werkkist")
Dit is de grootste innovatie van het paper. In het verleden moest je voor elk enkel deel van het schip handmatig een regelboek schrijven. Als het schij veranderde, werd het regelboek nutteloos.
BIAN QUE maakt gebruik van Flexibele Vaardigheden. Stel je een magische werkkist voor waarin elk gereedschap precies weet waarvoor het bedoeld is.
- Als het probleem met de "Zoekmachine" te maken heeft, pakt de agent de "Zoektool".
- Als het probleem met de "Videospeler" te maken heeft, pakt het de "Videotool".
Hoe weet het welke tool moet gebruiken?
Het vertrouwt niet op een statisch handboek geschreven door mensen. In plaats daarvan schrijft de AI zijn eigen instructies op basis van de situatie.
- Generatie: Als er een nieuw deel aan het schip wordt toegevoegd, kijkt de AI naar welke gegevens beschikbaar zijn en schrijft ter plekke een nieuwe "Vaardigheid" (een reeks instructies) om dit te behandelen.
- Correctie: Als de AI een fout maakt, kan een menselijke ingenieur gewoon zeggen: "Hé, je bent vergeten de brandstofmeter te controleren", in gewone taal. De AI herschrijft direct zijn eigen instructies om die stap de volgende keer mee te nemen. Het is als een student die een correctie op een toets krijgt en direct zijn studiegids bijwerkt.
3. De Zelf-evoluerende Lus (Het "Geheugen")
De meeste computersystemen zijn statisch; ze doen precies wat ze geprogrammeerd zijn om te doen, zelfs als de wereld verandert. BIAN QUE is anders omdat het een dubbel-geheugensysteem heeft dat leert van elk enkel gebeurtenis.
Wanneer een ingenieur feedback geeft (bijvoorbeeld: "Die diagnose was verkeerd"), gebruikt BIAN QUE dat ene stukje feedback om op twee manieren tegelijk te verbeteren:
- Bijwerken van de Kennisbank: Het slaat de geleerde les op in een permanente "encyclopedie" van hoe het schip zich gedraagt.
- ** verfijnen van de Vaardigheden:** Het werkt de specifieke "tool" (de Vaardigheid) die voor die taak werd gebruikt, bij zodat het niet dezelfde fout opnieuw maakt.
Denk eraan als een chef die een gerecht proeft. Als het gerecht te zout is, gooit de chef het gerecht niet weg; hij werkt het receptenboek bij (Kennis) en past zijn specifieke techniek voor het zouten (Vaardigheid) aan voor de volgende keer.
De Resultaten: Wat gebeurde er bij Kuaishou?
Het team testte dit systeem op de echte zoekmachine van Kuaishou (een enorm platform met honderden miljoenen gebruikers). De resultaten waren als het omzetten van een chaotische spoedeisende hulp in een goed geoliede machine:
- Minder Alarmen: Het aantal alarmen dat daadwerkelijk menselijke aandacht vereiste, daalde met 75%. Het systeem stopte het lawaai voordat het de mensen bereikte.
- Minder Valse Alarmen: Het "lawaai" (alarmen die eigenlijk vals of onbelangrijk waren) daalde met ongeveer 95%. De mensen werden alleen gebeld wanneer het echt telde.
- Snellere Reparaties: Wanneer er wel een echt probleem optrad, werd de tijd die nodig was om het te repareren (Mean Time to Resolution) met meer dan 50% verkort.
- Nauwkeurigheid: Het systeem identificeerde de oorzaak van problemen 80% van de tijd correct.
Waarom Dit Belangrijk Is
Het paper betoogt dat het moeilijkste deel van het gebruik van AI voor operaties niet het "slimmer" maken van de AI in redeneren is; het is het uitzoeken welke informatie je het moet voeden. Als je een AI alles voert (alle logs, alle metrieken), raakt het in de war en hallucineert het. Als je het niets voert, kan het het probleem niet oplossen.
BIAN QUE lost dit op door te fungeren als een slimme filter. Het beslist dynamisch precies welke gegevens en welke regels nodig zijn voor het specifieke probleem op dat moment, en het leert zichzelf hoe dit elke keer beter te doen wanneer een mens het een klein duwtje geeft.
Kortom, BIAN QUE verandert een team van overwerkte ingenieurs in een team van hoogst efficiënte toezichthouders, waarbij de AI het zware werk van het sorteren van gegevens en de initiële diagnose overneemt, terwijl de mensen zich richten op de grote beslissingen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.