💻 computer science

MARCA: Multi-Agent Root Cause Analysis with Multi-Modal Data

该论文提出了 MARCA，这是一个多智能体框架，通过使用控制器-执行器-投票者架构来解决分布式系统中的根因分析挑战，从而在降低 Token 使用量并确保数据隐私的同时，实现高准确率和高效率。

原作者： Yidan Wang

发布于 2026-09-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Yidan Wang

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

现代软件系统不再是单一的、单体式的机器；它们是庞大而复杂的数字城市，由被称为微服务的无数微小且独立的程序组成，这些程序之间不断进行着通信。当这座数字城市的某个部分发生踉跄时，整个网络都可能陷入停滞，导致从支付延迟到网站崩溃等各种问题。找出究竟是哪个微小的程序导致了崩溃，这项任务被称为根因分析（Root Cause Analysis）。几十年来，工程师们一直试图将这种搜索过程自动化，但由于数据量（日志、性能指标和错误代码）过于庞大，传统的工具很难跟上节奏。最近，被称为大语言模型的强大计算机程序展现出了潜力，它们能够像人类专家一样阅读并理解这些杂乱的数据流。然而，这些模型也面临着自身的障碍：它们可能会被过量的信息淹没，运行成本高昂，且将敏感的公司数据发送到外部服务器会引发严重的隐私担忧。

卢森堡大学的一位研究人员开发了一种名为 MARCA 的新方法来解决这些问题。MARCA 并非依赖于一个读取所有内容并猜测答案的单一庞大计算机程序，而是将工作分解为一小组专业的数字工作者。想象一下一个侦探团队：一个人负责指导调查，另一个人负责收集特定的线索，而第三个人则负责权衡证据以做出最终判断。这个团队在一个循环中协作，通过提问、收集数据并不断完善他们的理论，直到他们确信已经找到了故障的真正源头。通过分工协作，该系统避免了被海量数据所困，将敏感信息保留在本地服务器以保护隐私，并且比以往的方法使用了更少的计算资源。

研究人员在他们自行构建的一个模拟支付平台上，以及其他科学家使用的公开基准测试集上测试了这个多智能体系统。他们在系统中注入了各种类型的故障，例如使处理器过载、填满内存或切断网络连接，以观察 MARCA 是否能正确识别出罪魁祸首。结果非常明确：新系统正确找到根因的概率约为 77%，这比现有最优秀的方法（其准确率在 62% 左右徘徊）有了显著提升。它在区分不同类型的故障（例如区分网络减速和内存短缺）方面也表现得更为出色，取得了极高的准确度得分，这表明它能够处理现实世界系统中那些杂乱且相互重叠的信号。

这种方法的独特之处在于它如何处理信息的流动。传统方法通常试图将所有可用数据一次性喂给单个模型，这可能会让系统感到困惑，或者迫使它为了容纳所有内容而忽略重要的细节。相比之下，MARCA 更像是一个专注的调查员。它从发现问题的地方开始，然后有系统地检查指向源头的连接。在每一步中，“控制器”智能体会决定下一步该看哪里，“执行器”智能体会使用专门的工具获取相关的日志或性能数据，而“投票者”智能体会结合这些发现来更新嫌疑名单。这个过程不断重复，直到证据强烈指向某一个特定的服务。这种方法使得系统能够忽略无关数据，保持任务的可控性和高效性。

研究还强调，仅仅使用更强大的语言模型并不能解决问题。当研究人员将这种基于团队的方法与尝试独立完成全部工作的单一强大模型进行对比时，发现基于团队的系统表现依然显著更好。这表明，调查的结构——即智能体如何协作、过滤噪声以及权衡不同类型的证据——比单个模型的原始智能水平更为重要。该系统还被设计为具有适应性；它可以从过去的错误中学习，以调整对不同类型数据的信任程度，例如根据以往在不同场景下的表现，决定是更多地依赖错误代码还是性能指标。

虽然研究结果令人鼓舞，但研究人员也谨慎地指出了其工作的局限性。该系统依赖于拥有一张准确的服务连接图谱；如果这张图谱缺失或过时，调查就可能偏离轨道。此外，在多个问题同时发生的情况下，系统有时难以分离重叠的症状。然而，核心结论依然成立：通过将分析组织成一个协作式的迭代过程，可以比以往更准确、更高效地诊断复杂的软件故障。这种方法为保持大规模数字系统的平稳运行提供了一条切实可行的路径，确保在出现问题时，能够快速找到正确答案，而不必牺牲数据安全或耗费过多的计算资源。

技术摘要：MARCA —— 基于多模态数据的多智能体根因分析

1. 问题陈述

在大规模分布式微服务架构中，根因分析（RCA）面临着由于可观测性数据（日志、指标、追踪、返回码）的异构性以及服务依赖复杂性所带来的显著挑战。虽然大语言模型（LLM）在处理非结构化数据方面展现出潜力，但将其直接应用于 RCA 会受到以下因素的阻碍：

上下文限制： 无法在不进行有损摘要的情况下处理大规模、多源的诊断数据，这会导致准确性下降。
计算效率： 处理原始系统日志和指标时存在高昂的推理成本和延迟。
数据隐私： 对于将敏感企业数据传输至闭源商业模型的担忧。
适应性： 现有的单智能体或基于规则的系统难以应对动态的故障模式、演进的数据格式以及跨模态因果推理的需求。

2. 方法论

本文提出了 MARCA，一个将 RCA 形式化为迭代决策过程的多智能体根因分析框架。该系统采用了 控制器–执行器–投票者（Controller–Executor–Voter） 架构，通过将复杂的诊断任务分解为工具增强型执行与加权共识机制的集成来完成任务。

2.1 核心架构

控制器智能体（Controller Agent）： 作为编排枢纽。它维护全局状态（候选集、遍历路径），并将 RCA 任务分解为一系列动作（例如：启动分析、分解任务、管理循环）。它构建一个有向依赖图 $G=(V, E)$ ，以将搜索空间限制在实际的系统拓扑之内。
执行器智能体（Executor Agents）： 负责数据密集型检索的专业化智能体。它们根据控制器的指令，与外部工具交互以查询特定的可观测性模态（日志、指标、追踪、返回码）。它们返回包含证据得分、数据质量得分和文本依据的结构化证据元组。
投票者智能体（Voting Agent）： 聚合多模态证据，以解决相互竞争的根因假设之间的冲突。它并非采用简单的多数投票，而是使用一种加权共识机制，综合考虑模态可靠性、当前数据质量和证据强度。

2.2 推理工作流

该框架在一个闭环迭代过程中运行：

拓扑初始化： 控制器识别异常的入口节点并构建依赖图。
迭代证据收集： 系统沿着依赖图进行广度优先遍历。在每一步，控制器指导执行器调查相邻的服务。系统会计算一个因果相关性得分 ( $\xi$ $ξ$ ) 以过滤噪声，该得分结合了时间维度的指标相关性 ( $\rho$ $ρ$ ) 和返回码的语义一致性 ($sim$)。
- 公式： $\xi(v_i, v_j) = \lambda_1 \rho(x^{metric}_{v_i}, x^{metric}_{v_j}) + \lambda_2 sim(x^{ret}_{v_i}, x^{ret}_{v_j})$
统一评分与收敛： 投票者智能体使用证据的加权和来更新候选置信度得分。当候选者的置信度超过动态阈值、顶层候选者之间的差距足够大、或达到最大迭代次数时，循环终止。

2.3 自适应推理与学习

上下文学习（ICL）： 智能体遵循自适应推理指南（例如：语义异常识别、概率相关性匹配），而非僵化的启发式规则。系统会根据故障类型和拓扑相似性动态检索少样本（few-shot）示例。
参数学习： 框架利用两阶段学习范式：
- 离线优化： 使用贝叶斯优化在历史故障数据集上调整因果相关性权重 ( $\lambda_1, \lambda_2$ ) 和模态可靠性权重 ( $w_m$ )。
- 在线自适应： 模态权重通过基于实时诊断反馈的指数移动平均（EMA）进行更新，使系统能够适应变化的数据质量或系统状况。

2.4 工具增强执行

为了解决上下文长度和效率问题，MARCA 将低层级的数据处理委托给专门的外部工具（日志过滤、链路追踪重构、指标异常检测）。这使得 LLM 智能体能够保持高层级的任务上下文，同时卸载资源密集型操作，从而显著降低了 Token 使用量。

3. 核心贡献

迭代决策形式化： 本文将 RCA 重新定义为在异构可观测性数据上的迭代过程，实现了逐步推理而非单次分析。
控制器–执行器–投票者架构： 一种新颖的多智能体设计，将 RCA 分解为规划、执行和验证阶段，便于实现可扩展的上下文处理和鲁棒的决策制定。
加权共识机制： 通过根据模态可靠性和数据质量动态加权证据，提高对噪声或冲突诊断信号的鲁棒性。
实证验证： 通过广泛的实验证明，MARCA 在根因定位和故障分类方面均显著优于最先进的基准方法。

4. 实验结果

作者在一个自建的支付系统中（使用 Chaos Mesh 进行故障注入）以及两个公共微服务基准测试（TrainTicket 和 MicroSS）上对 MARCA 进行了评估。

性能： 在自建支付系统中，使用 Llama-2 的 MARCA 达到了 76.87% 的 Top-1 准确率 和 0.7896 的 F1 分数。这显著优于最强的多模态基准模型（HolisticRCA，准确率为 62.15%）以及单智能体 LLM 基准。
效率： 通过利用工具增强检索和结构化证据摘要，该框架比单智能体方法减少了约 60% 的 Token 使用量，确保了在实际工业部署中的可行性。
消融实验： 去除**拓扑引导（Topology Guidance）导致性能下降最为显著（Acc@1 相对下降 32.1%），凸显了利用系统依赖信息约束搜索空间的必要性。去除多模态证据（Multi-Modal Evidence）**也大幅降低了 F1 分数，证实了整合异构数据的关键作用。
泛化能力： MARCA 在公共基准测试中保持了较高的准确率（例如在 TrainTicket 上达到 74.56% Acc@1），证明其相比单智能体方法具有更好的对未知系统架构的泛化能力。

5. 意义与主张

本文声称 MARCA 解决了现有基于 LLM 的 RCA 方法中的关键瓶颈，特别是在可扩展性、鲁棒性和实际部署方面。

工业可行性： 通过减少上下文依赖并实现本地化执行，MARCA 确保了数据主权并降低了计算成本，使其适用于企业环境。
适应性： 动态协作机制允许系统在无需僵化的静态单智能体架构的情况下，适应不断演进的目标和系统状况。
诊断有效性： 专业化智能体与跨模态推理的集成克服了单体处理的局限性，为识别复杂分布式系统中的根因提供了更全面的基础。

作者承认存在局限性，指出诊断保真度取决于拓扑元数据的完整性（特别是在无服务器/瞬态环境中）以及并发故障场景下各模态的可区分性。未来的工作拟侧重于动态拓扑重构和基于强化学习的权重校准。