SADE：面向 LLM 网络故障排查的症状感知诊断升级机制

大型语言模型代理在网络故障排查中应用日益广泛，但在公共基准测试中的根因定位性能仍远低于实际部署阈值。本文指出，现有代理缺乏人类工程师所用的分层系统化方法，过度依赖将证据获取与假设确认混淆的自由形式推理。为此，我们提出 SADE（症状感知诊断升级），将经典的 Cisco 故障排查方法论编码为显式策略。该代理结合了分阶段门控诊断工作流，分离证据获取与假设确认，并配备路由化的故障族技能库及高产出诊断助手。实验表明，在 NIKA 基准测试的未见过场景中，SADE 显著提升了根因定位的 F1 分数。