LLM Agent Network Operations Continual Learning Retrieval-Augmented Generation
摘要

大型语言模型(LLM)代理为基于命令行的网络操作提供了有前景的接口,但合理的命令在执行后仍可能失败或引入操作风险。现有方法主要关注命令生成或最终配置的正确性,未利用基于执行的经验来共同改进候选覆盖率和动作选择。我们提出了一种基于执行的双路径后果感知代理,用于基于CLI的SONiC操作,该方法生成多个完整动作,预测其执行后果,并通过效用和风险感知的重排序选择最终动作。提议侧路径将可复用的操作经验抽象为可检索的指导,以提高可行动作覆盖率而不修改提议LLM;选择侧路径则利用真实的SSH反馈通过会话级LoRA更新适应后果预测器,以提高条件选择质量。在不同Qwen3提议模型的多轮SONiC操作会话上的实验表明,该框架提高了可行动作覆盖率和Top-1执行成功率,且两种适应路径在交互中提供了互补的收益。

AI 推荐理由

论文核心在于利用执行反馈构建可检索的操作经验(记忆),并通过检索增强生成,属于典型的记忆增强机制研究。

研究机构
清华大学
论文信息
作者 Yuxuan Chen, Rongpeng Li, Zhifeng Zhao, Yuntao Liu, Xing Xu et al.
发布日期 2026-08-10
arXiv ID 2608.09184
相关性评分 9/10 (高度相关)