AI Agent赋能自智网络技术探析与实践

AI Agent赋能自智网络技术探析与实践

亚信科技（中国）有限公司

自智网络（Autonomous Networks, AN）是指通过深度融合人工智能、大数据、数字孪生等前沿技术，使网络系统具备自主感知、自主分析、自主决策和自主执行的能力，从而实现自我配置、自我优化、自我修复等管理功能。其核心目标是最小化甚至消除人工干预，使网络能够像一个有机生命体一样自主运行，以应对不断增长的网络复杂性、提升运营效率并优化用户体验。

国际标准组织TM Forum对自智网络的发展成熟度进行了系统性的分级，旨在为运营商提供清晰的演进路径和衡量标准，这六个等级从低到高代表了网络自治能力的逐步提升：

L0：人工管理网络（Manual Networks）：网络主要依赖人工操作和配置，自动化程度极低。

L1：辅助人工管理网络（Assisted Networks）：引入了部分自动化工具，但决策和主要操作仍需人工完成，自动化辅助人工。

L2：部分自动化网络（Partially Autonomous Networks）：在特定网络域或特定任务上实现了较高程度的自动化，但在跨域或复杂场景下仍需人工协调。

L3：有条件的网络自治（Conditional Autonomous Networks）：在部分场景或特定领域，网络能够实现端到端的闭环管理，但在非预期情况或复杂故障时仍需人工干预。

L4：高度网络自治（Highly Autonomous Networks）：网络具备在大部分场景下自主感知、分析、决策和执行的能力，能够处理复杂问题，仅在极少数特殊情况下需要人工参与。

L5：完全网络自治（Full Autonomous Networks）：网络实现完全自动化和智能化，无需任何人工干预，能够自主处理所有预设和非预期的网络管理任务。

自智网络的发展正在经历从L3等级向L4高阶自智转变，L4级自智网络是自智网络发展的一个重要里程碑，它具备显著增强的自主能力，能够根据高级业务意图自主地完成网络管理任务，实现端到端的自动化闭环。

L4自智网络的核心特征体现在：

· 意图驱动：网络能够准确理解用户或业务（如特定行业专线）的高阶意图，并将其自动、智能地分解并转化为网络可执行的低阶策略和指令，无需人工干预翻译过程就可以驱动完成业务目标的实现。

· 全生命周期闭环控制：实现网络状态的实时监测、智能根因分析、自主决策和执行，形成涵盖规划、部署、运维、优化等全生命周期的端到端闭环控制能力。

· 跨域协同与优化：能够有效协同和优化不同网络域（如无线接入、传输、核心网、边缘云、业务平台等）的资源和功能，打破传统“烟囱式”管理，实现全局最优。

· 预测性维护与自愈：具备基于大数据分析和AI模型的强大预测能力，能够预判潜在的网络故障和性能劣化，并提前采取预防措施或自主进行修复，将运维从被动响应转变为主动防御。

自智网络L4的实现，将为运营商带来巨大的商业和运营价值，如显著降低运营成本、极大提升用户体验、强力支撑业务创新等。

       自智网络实现L4的局限性：

对运营商来说，自智网络实现L4是全生产要素面向L4的达成，包括技术与IT系统、组织架构、员工与人才、合作伙伴、运营模式、文化等多个方面，从现有技术与IT系统的深层挑战来看，存在以下三个核心问题：

· 实现AI Built-in，而不仅仅是Bolt-on的赋能模式。当前多数AI应用仍停留在辅助应用（AI Bolt-on）层面，独立于核心系统之外，仅仅实现对网络实现了点状或片断式局部的赋能。要达到L4，AI必须深度融入网络系统内部，成为业务流程的内置（AI Built-in）组成部分，实现自主决策和闭环管理。

· 自智网络提智有极限，传统的机器学习（ML）模型和现有运营支撑系统（OSS）在处理复杂相结合，无法到达L4。 传统的机器学习和现有运营支撑系统在处理复杂、多变、非结构化的网络问题时存在局限性，难以实现深层次的意图理解、复杂问题的自主规划和执行，特别是在面对未曾训练过的新场景或突发事件时，其泛化能力和决策鲁棒性不足，导致自智水平难以突破瓶颈，无法真正迈入L4。

· 自智网络提速有阻力，现有技术与工具复杂度高，向L4演进阻力较大。现有自智网络解决方案的开发、集成和部署过程通常复杂且耗时，涉及多种技术栈和大量的系统集成工作。例如，将分散的自动化能力整合为端到端闭环，需要克服接口不统一、数据模型不兼容等诸多障碍。这种高复杂度为运营商向L4演进带来了巨大的技术和实施阻力，延缓了转型的步伐。

AI Agent是结合了大型语言模型（LLM）的智能体，凭借其强大的理解、规划、执行和协作能力，为解决这三个核心问题提供了新的解决方案和实现路径。

AI Agent具体实现千差万别，但通常包含几个核心的功能模块或概念层级。常见的架构元素包括：

· 感知模块 (Perception): 负责接收环境信息并进行初步处理，形成内部的“感知”（Percept）。

· 知识/记忆模块 (Knowledge/Memory): 存储关于世界、自身状态、目标、规则、经验等的知识。这通常分为短期记忆（如当前状态、近期事件）和长期记忆（如规则库、模型、本体知识）。

· 推理/决策模块 (Reasoning/Decision-Making): 基于感知信息和内部知识，进行推理、规划、目标管理和行动选择。

· 行动模块 (Action/Actuation): 将决策结果转化为具体的行动指令，并通过“执行器”（Actuators）作用于环境。

图：几种业界主流AI Agent参考架构

AI Agent的能力不是一成不变的，其智能水平和行为模式会随着架构实现的完善程度而演进，对应的Agent会有三种工作模式。

“反射模式” (Reflex Mode): 主要由外部环境刺激驱动 (Extrinsic Environment Driven) ，依赖反应式行为模块组（态势感知+决策制定）。感知到环境变化后，通过简单的规则匹配（可能存储在WK的初级形式中）或预定义的流程，直接触发行动。

“思考模式” (Thinking Mode):主要由外部环境刺激驱动，但处理过程更复杂。反应式行为模块组得到增强，特别是世界知识 (WK) 的作用显著提升，Agent利用更丰富的知识进行思考生成目标，并进行行动规划。

“思考模式 + 自主意识” (Thinking Mode + Autonomous Consciousness/Self-Awareness):由外部环境刺激 和 内部需求 (Intrinsic Need Driven) 双重驱动。主动式行为模块组 (自我意识 + 选择制定) 全面激活。Agent能够基于对自身状态 (Agent State) 的监控和预设的意图 (Agent Purpose)，主动识别出潜在的问题或优化机会(Need)，生成新的目标 (Meta-goal / New Goal)，并通过选择制定模块进行权衡决策。这些内部生成的目标随后驱动反应式行为模块去执行。

为加速自智网络的L4演进，将通用AI Agent的理念与自智网络向高阶演进的需求相结合，提出了自智网络智能体（简称：AN Agent），以更好地适应通信网络的高并发和实时运维需求。该架构的核心设计目标是实现AI从“AI Bolt-on”（辅助模式）向“AI Built-in”（内置模式）的转变，从而将AI深度融入网络业务流程，实现网络的高阶自治。

AN Agent作为独立智能体，具备自主性，能够更高效地多种网络运维工具，实现全局优化与自动故障修复。AN Agent在自智网络生命周期的各个阶段与其他OSS模块协同工作，将会显著提升网络智能化管理能力，从而在技术上实现AI Built-In。

在传统的网络资源管理中，资源的规划、分配和回收往往是一个耗时且易出错的过程，严重依赖于人工经验和复杂的工具操作。随着5G、物联网、云计算等技术的发展，网络资源的异构性、动态性、以及海量化特点日益突出，加剧了资源管理的复杂性。尤其是在大规模、动态变化的云化和5G网络环境中，资源的精细化管理和实时优化显得尤为重要，但传统的人工或基于脚本的模式已难以为继，面临着资源利用率低、分配效率慢、数据不一致等挑战。

在实现网络资源数据的智能化自动化管理中，主要面临两大类问题：一是实现资源数据的高效自动共享；二是实现资源数据准确性的持续提升。

 AI Agent的引入，为解决这些问题并提升网络资源管理能力带来了革命性的变革。智能体能够作为独立的资源管理Agent，深度集成到运营商的资源管理系统中，自主地完成资源的感知、分析、决策和执行，实现资源的自动化、智能化管理。

针对资源数据高效自动共享问题，引入了拓扑AI智能体，其核心在于自动生成和共享家客专业的资源端到端拓扑，实现自智网络家客业务数据的快速还原。

· 意图识别与任务编排：拓扑智能体利用大模型技术进行意图理解和语义解析，将用户关于网络拓扑的需求（如查询基站拓扑）转化为业务语言，并结合知识库，自动生成拓扑生成步骤，实现组件的自动编排。

· 拓扑自动生成：根据编排后的设计态，结合实时的资源数据，自动生成精确的网络拓扑运行态。在此过程中，智能体能自主发现网络结构隐患与断点，并进行修复，确保拓扑数据的准确性和实时性。

· 拓扑共享赋能外系统：生成的拓扑图可以通过SDK方式对外共享，赋能故障管理系统、核心网工作台等第三方系统，加载告警、性能等信息，辅助进行故障分析与定位，显著提升运维效率。这打破了传统数据孤岛，实现了资源数据的高效自动共享。

针对资源数据准确性提升问题，引入了质检平台和自愈智能体，形成从问题发现到自愈修复的闭环。

质检平台的作用如下：

· 规则与专题灵活配置：质检平台能够根据家客业务端到端拓扑图自动生成关联稽核规则，并支持人工维护与CRM、PON网管、AAA系统等外系统的一致性比对规则。它提供灵活的规则设计和专题管理功能，支持原子规则库的构建，可定制单资源、多资源的校验规则，形成针对性的质检专题。

· 多数据源异厂家对接：平台具备强大的多数据源、异厂家对接能力，能够根据治理需求，对接来自不同厂家、不同管理域的数据源，支撑实现跨系统、跨域的数据治理目标，全面发现家客资源数据中的问题。

· 问题清单输出与能力开放：定期对家客资源数据进行质量核查，输出详细的问题数据清单。同时，质检能力通过API对外开放，可嵌入生产流程，在数据生产过程中即对数据进行评估把控，从源头提升数据质量。

自愈智能体的作用如下：

· 大模型驱动自愈方案匹配与生成：自愈智能体根据质检平台输出的问题数据，通过大模型技术自动匹配并生成最优的自愈方案。它利用修复知识库、原子规则库和行业业务知识库，大幅缩短方案制定时间，提升治理效率，实现专家经验的固化与知识沉淀。

· 多源数据关联分析与精准修复：通过融合多源数据，智能体能在系统内或系统间进行关联数据检索与分析，计算出正确的资源属性信息或关联关系，从而提升修复方案的可靠性与精准性。

· 自动化闭环治理与持续优化：自愈智能体驱动方案执行输出推荐值，并通过调用综资更新接口或勘误流程，实现对家客问题数据的自动修复与更新，形成数据自愈的闭环。这显著减轻了一线维护人员的压力，缩短了问题修复的响应交付耗时，实现了治理工作的降本增效和持续优化。

通过拓扑智能体、质检平台和自愈智能体的协同赋能，实现了从数据还原、问题发现到数据自愈与更新的高效治理闭环。这不仅极大地缩短了业务开通时间，降低了资源浪费，也显著减少了人工干预的复杂性和成本，提升了整体网络资源的精细化管理水平，推动家客数据治理从传统人工驱动向智能化、自动化、可持续化的全面升级。

1、任务规划（Task Planning）

故障处理智能体在接收到故障信息后，通过以下步骤进行任务规划：

· 意图理解与信息提取：智能体利用大型语言模型（LLM）对输入的故障信息进行深度理解，将其转化为可操作的目标。LLM随后通过调用Function Call，与OSS工具集交互，智能地从告警系统、性能监控、日志等各种数据源中提取关键信息，包括网元状态、拓扑等，为故障分析提供全面数据。

· 方案生成：在全面提取信息并初步分析后，智能体结合网络知识库（包含故障处理方案、应急预案、资管信息、历史案例等），通过LLM和检索增强生成（RAG）技术，生成针对该故障的最优处理方案，涵盖网元配置修改、传输路由切换等具体操作。

· 方案执行细化与自动化驱动：生成的方案被细化为分步任务，智能体利用LLM和Function Call能力，驱动OSS工具集中的原子能力（如配置修改API、路由切换API），自动化执行核心网设备的修复指令。

· 结果归档与知识沉淀：故障处理结束后，智能体通过LLM和RAG，依据预设报告模板和整理规范，自动生成故障处理报告和结论，并进行持久化存储，以此助力知识沉淀和后续学习优化。

2、任务执行（Task Execution）

任务规划阶段的各项子任务，在执行层面通过具体的模块和工具协同实现：

· 故障数据获取：通过LLM和Function Call调用OSS工具集，实时获取网元状态、拓扑等故障相关数据。

· 方案形成与检索：智能体根据提取的故障数据，结合根因、信息和处理方案，利用LLM和RAG能力从网络知识库中检索并生成详细的处理方案。

· 指令下发与执行：将处理方案分解为具体指令，并调用OSS工具集中的原子能力进行实际操作，由LLM驱动并实现与底层系统的无缝对接。

· 报告生成与存储：故障处理结束后，智能体利用LLM和RAG生成符合规范的报告内容，并通过Function Call实现报告的持久化存储。

3、关键内容协同

· LLM（大型语言模型）：作为智能体的“大脑”，贯穿于故障意图理解、信息提取、方案生成、执行驱动和结果归档的全过程，是核心网故障智能处置的“思考”和“规划”中枢。

· RAG（检索增强生成）：通过高效检索网络知识库中的海量知识和历史经验，显著增强LLM生成故障处理方案的准确性和专业性。

· Function Call：作为LLM与OSS工具集（包括网元状态查询、网元配置修改、网元拓扑查询、传输路由切换等原子能力）之间的关键桥梁，使得LLM的智能决策能够直接转化为底层网络设备的实际操作。

· 网络知识库：作为智能体的“经验大脑”和“知识引擎”，为故障处理提供全面的背景知识支撑，包括故障处理规范、应急预案、资管信息、历史故障案例等结构化与非结构化知识。

· OSS工具集：提供执行网络操作的原子能力接口，是智能体“手脚”的延伸，确保智能决策能够高效落地。

4、实践效益

Agent在核心网故障监控与处置的应用，能够显著缩短故障平均恢复时间（MTTR），减少故障对业务的影响，提升网络可用性。通过自动化和智能化，大幅减轻了核心网运维人员的工作量，降低了运营成本。同时，增强了核心网的韧性，使其能够更快速、更智能地应对各类复杂故障，保障关键业务的连续稳定运行，为运营商提供更可靠的基础网络服务。

业务的快速交付是提升运营商核心竞争力的关键，也是自智网络业务层的一个重要场景。AI Agent在业务交付领域的应用，旨在通过智能编排和自动化部署，实现政企业务的快速交付，本方案主要实现售前方案的智能化支撑和售中交付的自动化执行，从而全面提升政企客户的服务效率和质量。

在政企客户售前阶段，传统模式面临需求理解不精准、产品匹配依赖人工经验、方案输出效率低等痛点。客户经理或客响人员难以快速响应场景化需求并提供定制化解决方案，这直接影响了售前服务的效率和客户体验。

在政企精品网、云联网等业务的售中交付环节，传统模式下网络交付方案设计周期长、标准化程度低，资源分配不精确，易出现配置冲突或资源浪费，导致交付延迟和运维成本增加。

1、售前方案的智能化支撑

· 智能交互与需求洞察：智能体通过交互式对话界面，结合多轮对话、实时反馈与确认，引导客户经理或客响人员精准识别客户的业务场景和需求（如带宽、接入地址、性能、保障需求等）。其核心技术包括意图识别、关键信息提取、上下文理解和需求转化。

· 售前方案智能生成：基于精准的需求分析和政企业务及网络知识库，智能体自动匹配最佳产品，并通过AI推理和检索增强生成（RAG）技术，自动生成专属的定制化售前方案，包括业务解决方案、产品介绍、网络拓扑、技术参数和服务保障等。这显著缩短了方案生成时间，将原本需要数天完成的方案缩短至分钟级。

· 方案微调与确认：智能体提供方案的智能微调功能，允许客户经理对场景、网络、参数等进行灵活调整，并通过智能识别、全面确认机制，确保方案符合业务目标且技术可行。

2、售中交付的自动化执行

· 智能需求洞察与资源匹配：通过自然语言处理（NLP）技术智能解析客户组网需求，并结合产品配置规则和网络资源数据，通过AI推理和算法自动匹配资源库，生成包含组网方式、资源配置（客户侧、接入侧、汇聚/核心资源）、施工周期、施工成本等的标准化网络交付方案，确保资源配置的精准化和交付成本的最优化。

· 网络交付方案智能生成：智能体能够自动化生成全要素的标准化网络交付方案，涵盖网络配置数据、施工方案等。这不仅提升了方案生成的效率，也确保了方案的标准化和准确性。

· 自动化开通与执行：通过调用业务编排系统、网络控制器、云管平台等周边系统的原子能力，AI Agent驱动网络交付方案的自动化执行，实现业务的快速开通。例如，政企双线智能开通智能体能够实现从业务意图识别解析、方案设计与资源分配、专线开通编排到业务开通执行的全流程自动化。

3、实践效益

政企业务交付方案通过AI Agent赋能，实现了售前方案支撑的智能化和售中交付的自动化。这不仅显著提高了政企专线方案的构建效率，将方案生成时间从几天缩短至分钟级，并有效降低了运维成本，推动该场景快速向L4等级演进，确保了政企业务的快速、精准交付，全面提升了运营商服务政企客户的能力和竞争力。

AI Agent作为新一代的智能化赋能技术，凭借其卓越的自主性、反应性、能动性和社交性等核心特点，正在自智网络L4演进中发挥着至关重要的作用。它能够深度理解业务意图，自主进行复杂的问题规划与决策，实现高效的全生命周期闭环控制，并促进不同网络域之间的无缝协同。

AI Agent的引入，正在加速推动自智网络从L3有条件的自治向L4高度自治迈进，为运营商带来了运营效率的显著提升、用户体验的根本性改善，以及支撑业务创新的巨大价值。这一转变标志着网络运维从传统的被动响应型向主动预测型、从人工密集型向高度智能型的根本性变革，是实现未来高度自智网络的核心驱动力。

展望未来，AI Agent技术在自智网络领域的应用将呈现出以下几个关键发展趋势，预示着网络自治能力的进一步跃升：

· 通用性与泛化能力增强：随着大型语言模型（LLM）等基础AI模型技术的不断成熟，AI Agent将具备更强的通用性和泛化能力。它们将能够处理更广泛、更复杂的网络场景，包括面对未知的故障模式或全新的业务需求，而无需针对每个特定场景进行大量定制开发，从而降低开发和部署成本。

· 多Agent协作与群体智能：单一Agent的能力是有限的。未来，多Agent系统（MAS）将成为主流，不同专业领域的Agent之间将形成更加紧密、高效的协作机制。它们将通过智能体间通信协议和共享知识库，共同应对跨域、跨专业的复杂网络问题，实现超越个体能力的群体智能。

· 可解释性与安全性提升：随着AI Agent在关键网络功能中扮演越来越重要的角色，对其决策过程的可解释性（为何做出此决策）、透明性以及安全性要求将更高。未来的研究和技术发展将致力于提供可解释AI（XAI）机制，并构建更强大的安全防御体系，确保Agent的可信赖度。

· Agent开发与部署工具链完善：随着AI Agent技术的成熟，将出现更加完善和易用的Agent开发平台和部署工具链，包括低代码/无代码平台、可视化编排工具、以及预训练Agent模型库等，这将极大降低Agent的开发门槛，加速其在网络中的规模化应用。