跳转至

NetCanvas：用「可交互视觉拓扑」给运维 Agent 造一张外部工作记忆

📊 Level ⭐ | 6.4KB

NetCanvas：给运维 Agent 造一张「可交互视觉拓扑」

华为 GTS 算法团队在 IP 承载网排障场景中提出的 NetCanvas：把「可交互视觉拓扑」作为大模型 Agent 的外部工作记忆画布，让 Agent 像人类工程师一样「看着网络排障」。文章把根因总结为一个可复用的病名——拓扑失忆：模型的推理能力再强、读得懂海量文本日志，却记不住这张动态网络长什么样；让纯文本 Agent 在脑海里硬扛成百上千个节点的动态变化，注定陷入记忆坍塌。

问题：认知超载与认知卸载

文章的立论借自认知哲学家 Andy Clark——真正的智能懂得使用外部图纸进行「认知卸载（Cognitive Offloading）」。真实现网是「活」的：每次故障的网络拓扑空间都截然不同，能在脑海中实时重构「动态网」并定位根因的只有极少数资深专家。当 Agent 进入多设备、多路径、带防火墙与 ECMP 的真实拓扑后，典型失败形态是绕弯、重复探查、在同一节点打转。

作者由此给出了一句可直接搬进 Harness 设计文档的结论：外围系统（Harness）如何为模型呈现这个真实世界，才真正决定了它最终的战斗力——对拓扑、路径、协议动态交织的系统，把海量日志生硬压进 Token 里必然导致认知超载；Agent 需要的是一套能持续演化的「延展工作记忆」。

机制：三招构成一张「活地图」

  1. 把图长出来：由系统生成可交互的网络拓扑视图，而不是把拓扑描述塞进文本上下文。
  2. 让 Agent 用图：Agent 可以随时切换全局与局部视图、高亮当前焦点节点，并能主动改变连线颜色（如用绿/红虚线标记通断）在图上直接记录自己的推理假设——「边看、边标、边排查」，模型不必再在脑子里死记硬背。
  3. 按网工习惯画图（认知对齐）：研发团队在测试中发现一个反直觉事实——只要把机器生成的拓扑换成符合人类网络工程师认知习惯的领域布局，Agent 的排障成功率就出现碾压式跃升。「画对了图，AI 才能走对路」：呈现形式本身是能力的一部分，而非装饰。

验证：CTBench 上的三个维度

验证在公开通信运维基准 CTBench 上完成（任务全部来自真实运维案例，要求 Agent 进入未知网络、动态执行命令，并从不完整、碎片化的证据中逐步定位故障，难度远超单轮问答）：

维度 结果
排障更准 综合通过率 30.3% → 54.5%（带物理连线先验可达 63.6%），任务通过率提升 24.2%，尤其突破双防火墙、ECMP 等高度依赖空间关系的复杂路径
步数更少 平均探查步数 159 → 113 步
成本更低 按「每解对一题」摊算，大模型 Token 试错成本下降 26%–45%（最高 −45%）

作者据此强调「画图不是增加大模型的负担，而是实实在在省下了试错成本」——把结构从上下文里挪到可操作的外部表示上，换回的是更少的盲走与更低的 token 消耗。

为什么这条经验可迁移

  • 它把「记忆」问题翻译成「表示」问题：不是让模型记住更多，而是把需要保持的结构性状态外化成可读、可写、可标注的工件；这与 Harness 上下文管理工作集、上下文窗口管理 的取舍同轴。
  • 「认知对齐」是可复用的设计约束：同一份信息的不同呈现方式导致成功率跃升，说明 Harness 的呈现层（视图/布局/标记约定）应当被视为一等设计对象，而不是 UI 细节。
  • 可写画布 vs 只读上下文：允许 Agent 在图上记录假设（改连线颜色），相当于把「草稿纸」纳入运行时——与 上下文工程 中「工具即上下文／主动卸载」的思路一致，也与 Harness 架构深潜 对工作记忆与工具面的分层讨论互补。
  • 验证口径值得复用：同时报告准确率、探查步数与按题摊算的 token 成本，避免只报单一增益掩盖成本转移。

产物与关联

→ 原文存档