" 智能并不局限于大脑内部。当我们使用纸笔或地图来梳理复杂问题时，这些外部工具就成为了我们‘延展的心智’。"

著名认知哲学家安迪 · 克拉克（Andy Clark）在揭示高级推理的本质时指出：

真正的智能，懂得使用外部图纸进行 " 认知卸载 "（Cognitive Offloading）。

而在高度复杂的通信网络运维中，大模型 Agent 同样亟需跨越这道门槛。

IP 承载网是千行万业数字化系统的底座。一次刷卡支付、一次线上挂号，背后都离不开它。

然而，这张网一旦出故障，线索往往深埋在海量的告警或静默的配置中。业务中断时，排障的第一道门槛往往不是怎么修，而是理清 "此时此刻，这张网到底长什么样？"

想要回答这个问题，门槛极高。因为真实的现网是 " 活 " 的、动态的。每一次故障的网络拓扑空间都截然不同，面对错综复杂的路由，能在脑海中实时重构出 " 动态网 " 并揪出根因的，只有极少数资深专家。

既然资深专家可遇不可求，将排障重任交给大模型 Agent（智能体），便成了行业破局的共识。业内曾普遍以为，凭借大模型强大的知识理解、逻辑推理与分析决策能力，这会是一场降维打击。

然而，当承载着厚望的 Agent 真正走进现场后，华为 GTS 算法团队却发现了一个反直觉的致命痛点：AI 的推理能力再强，读得懂海量的文本日志，却偏偏记不住这张网长什么样。团队将此称为「拓扑失忆」。让一个纯文本 Agent 在脑海里硬扛成百上千个节点的动态变化，注定会陷入记忆坍塌。

如何破局？团队给出了精准解法NetCanvas，通过引入一套「可交互视觉拓扑」机制，它为大模型提供了一张可以画线推演的「外部工作记忆」画布。

这让 AI 真正学会 " 认知卸载 "，能像专业工程师一样 " 看着网络排障 "。

痛点剖析：AI 读得懂日志却修不好网？缺的是一张 " 活地图 "

引入大模型 Agent，原本是为了复刻资深专家的排障经验、填补现网的人力缺口。

但一线很快碰到一个反直觉现象，模型明明能解析单条命令、单段回显，一旦进入多设备、多路径、带防火墙与 ECMP 的真实复杂拓扑，就开始绕弯、重复探查，甚至在同一节点打转。

一个典型的现网惨案是：在一次真实的排障测试中，Agent 已经锁定了出问题的防火墙，却在这台设备上换了几十种查法，原地打转了三百多步，仍没找到根因。它知道该查防火墙，却不知道这台防火墙卡在整个图里面的哪个路径的第几跳。

明明推理能力在线，为什么 AI 还会迷路？答案是：缺了空间记忆。

资深网工排障时，脑子里始终悬着一张「活图」：流量从哪里进入、在哪分流、防火墙卡在第几跳，一切清清楚楚。反观纯文本 Agent，面对的却是一维滚动的 CLI（命令行），这就意味着每推进一步，都要从碎片的日志里重新脑补网络长什么样。上下文越长，这种空间关系就越容易在长文本里「坍塌」。

针对这一现象，华为 GTS AI 算法团队将其命名为「拓扑失忆」（Topology Amnesia）：排障越深入，局部观测可能越来越多，整体的空间关系却在逐渐丢失。

这恰恰印证了开篇的哲学论断：缺乏「外部工作记忆」的辅助，纯文本模型在复杂的现网中注定会陷入认知超载。

怎么破局？既然人脑都需要依靠图纸来梳理复杂逻辑，AI 自然也一样。拓扑图对网工来说是排障时的 " 外部工作记忆 "，查到哪，图更新到哪。

因此，Agent 需要的绝不是开局塞给它的一张死板全景图，而是一个能与它产生交互的活地图。

沿着这个逻辑，GTS 确立了全新的解法思路：不是把专家经验硬写进 Prompt，而是把专家的工作方式写进 Agent 系统。让模型负责思考决策，让 NetCanvas 负责记路与画图。

△同一张网，在人和 Agent 眼里其实是两回事： ( a ) 人类工程师脑中的空间记忆； ( b ) 纯文本 Agent 陷入拓扑坍塌； ( c ) NetCanvas 为 Agent 配备可交互的 " 活地图 "。解局之道：引入「可交互视觉拓扑」，三招让 Agent 边看边推演

基于上述的痛点剖析，团队祭出了真正的解法—— NetCanvas。

它绝不是简单地给模型塞一张静态的网络拓扑截图，而是为其量身定制了一套 " 可交互视觉拓扑 "。

通过以下 " 三招 "，NetCanvas 彻底颠覆了 Agent 认知真实网络的方式：

△一条做对的排障轨迹里，每下发一条 CLI，设备和连线就在图上长出来；最后一帧是 agent 用绿 / 红虚线把「通」和「断」标在链路上—— Agent 认的不是开局贴死的全景，而是跟着探查一起生长、还能在图上做标记的拓扑。招一：边查边长（动态生长）

真实的排障现场，没有人能在第一时间拿到完美的全局拓扑。

因此，NetCanvas 摒弃了 " 开局给全景 " 的僵化思路。

Agent 每完成一次 CLI 探查，新发现的设备、链路与路径证据，就会被实时合并到当前的图状态中。

这就好比战争迷雾被逐步驱散，拓扑图就像有生命一样，跟着排障进度一起 " 动态生长 "。

招二：按需取景与推理交互（核心动作）

图长出来了还不够，Agent 还必须能像人类专家一样 " 用图 "。

在 NetCanvas 中，Agent 可以随时切换全局与局部视图，或者高亮当前的焦点节点。

更绝的是，它还能通过主动改变连线颜色（如用绿 / 红虚线标记通断），在图上直接记录自己的推理假设。模型无需再在脑子里死记硬背，真正实现了 " 边看、边标、边排查 "。

招三：按网工习惯画图（认知对齐）

Agent 能看见图固然重要，图以什么方式呈现在它眼前同样致命。

研发团队在测试中发现一个惊人的事实：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 的排障成功率就能实现碾压式的跃升。画对了图，AI 才能走对路。

数据验证：真正 " 看清 " 网络，Agent 才能精准破局、少走弯路

" 活地图 " 到底有多大威力？团队在公开的通信运维基准 CTBench 上进行了硬核验证。

这里的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，难度远超传统的单轮问答。

抛开繁杂的模型参数，NetCanvas 带来的核心业务价值，被结结实实地刻在了以下三个维度上：

1. 排障更准：整体效果显著提升，有效突破复杂路径瓶颈。

在整个数据集上，NetCanvas 将 Agent 的综合通过率从 30.3% 提升至 54.5%（若带有物理连线先验可达 63.6%）。

尤其在双防火墙、ECMP（等价多路径）等高度依赖空间关系的复杂子任务中，效果更是从约 10% 跃升至约 90%。

当隐含在长日志中的空间关系变成 " 看得见 " 的结构，Agent 沿着多路径顺藤摸瓜终于有了清晰的抓手。

2. 表现更稳：无一题退化（16 胜 0 负 50 平）。

逐题比对纯文本方案，NetCanvas 没有在任何一道题上出现能力退化。多出来的 16 道是净增，没有拿别的题来换。

3. 步数更少：综合试错成本最高下降 45%。

Agent 的平均探查步数从 159 步直降至 113 步。由于准确率大幅提高、Agent 不再盲目绕路，按 " 每解对一题 " 摊算，大模型的 Token 试错成本反而下降了 26% 到 45%。

画图不是增加大模型的负担，而是实实在在地省下了试错成本。

△CTBench 通过率与平均探查步数对比终极启示：学会「认知卸载」，构建专业 Agent 的新范式

NetCanvas 的实践，揭示了专业 Agent 走向现网落地的核心命题：模型本身的理解能力固然重要，但外围系统（Harness）如何为它呈现这个真实世界，才真正决定了它最终的战斗力。

这恰好印证了开篇的哲学论断：外围系统，就是 Agent 延展的心智。

对于 IP 网络这种由拓扑、路径、协议动态交织的真实复杂系统，把海量日志生硬地压进大模型的 Token 里，注定会导致认知超载。

Agent 除了需要强大的语言理解能力，更需要一套能持续演化的「延展工作记忆」。

真正的专业能力，不仅仅依赖于模型内部庞大的 " 知识储备 " 与强大的 " 推理决策 "，更在于懂得借助外围系统来进行 " 认知卸载 "，建立起真正的网络空间全局观。

这也是华为 GTS AI 始终坚守的技术演进路径：从真实的运维现场出发，将资深工程师长期沉淀的 " 空间认知与工作方式 " 工程化，转化为 Agent 可感知、可交互的系统能力。

未来的网络智能运维，Agent 将彻底告别在海量碎片日志中 " 大脑超载、盲人摸象 " 的窘境。

有了「可交互视觉拓扑」的驱动，AI 终于可以像顶尖专家一样，看着网络、沿着路径，精准排障。

项目地址

caimanjing/netcanvas：https://github.com/caimanjing/netcanvas

CTBench：https://huggingface.co/datasets/netop/CTBench

* 本文系量子位获授权刊载，观点仅为原作者所有。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

点亮星标

科技前沿进展每日见