概述

2025-2026年是通信网络AIOps从"实验室验证"走向"规模化商用"的关键转折期。以中国移动为代表的全球运营商率先在TM Forum自智网络评估中达到L4级别，浙江移动携手中兴通讯打造的Multi-Agent传输网故障处理方案实现现网部署，华为与中国移动联合推出的Dark NOC荣获TM Forum 2025"自智网络卓越奖"。与此同时，Claro Colombia通过与VIAVI、TCS合作重构SOC运营中心，NTT DATA联合Grok推出Agentic NetOps架构，AT&T携手Aira Technologies和Ericsson在MWC 2026展示从运营商意图到可部署rApps的端到端GenAI路径。Omdia报告显示41%的CSP已将Agentic AI视为驱动自智网络运营的核心技术。通信行业的AIOps实战正从单一场景突破走向端到端智能闭环。

行业动态（2025年5月-2026年5月）

深度分析

一、浙江移动Multi-Agent传输网故障处理：从人工排查到智能体协同

方案概述：浙江移动联合中兴通讯、直真科技研发的"传输网多层智能体协同故障处理应用方案"，是国内首个在传输网领域实现现网部署的Multi-Agent智能运维系统，荣获ICT中国（2025年度）案例一等奖。

核心技术原理：方案创新性地构建了Multi-Agent多智能体协同框架，包含三层智能体架构： - 传输工作台智能体：负责任务调度、故障定位诊断、业务分析及恢复验证，充当整体协调者 - 厂家OMC智能体：专门对接不同设备厂商的网管系统，屏蔽多厂家差异 - 专业技能智能体：针对光纤劣化分析、光功率预算等专业场景提供深度分析能力

三个层次通过大模型驱动自然语言交互，实现从告警接收、故障定位、根因分析到恢复验证的端到端闭环。

应用场景与效果：在传输网故障场景中，传统方式需要多个厂家工程师联合排查，平均耗时4-8小时。Multi-Agent方案将故障定位时间缩短至分钟级，关键业务恢复时间降低70%以上。方案已在浙江移动全省传输网投入实际运行，覆盖OTN/PTN/SPN多种传输技术。

对通信从业者的价值：这一方案展示了Multi-Agent架构在通信网络运维中的实际可行性。其核心创新在于——不是简单替换人工，而是将不同专业领域的运维知识封装为独立智能体，通过协同机制实现跨专业联合诊断。对于从事传输网运维的工程师，理解这一架构有助于把握"人机协同"的新工作模式。

二、华为×中国移动Dark NOC：自智网络L4的工程实践

方案概述：华为联合中国移动打造的"端到端自智网络运维中心（Dark NOC）"方案，在2025年TM Forum DTW数字化转型世界系列峰会上荣获"自智网络卓越奖"，是全球首个获此殊荣的端到端自智NOC方案。

核心技术原理：Dark NOC的核心理念是"高价值场景NOC作业端到端自动化，站点作业一次上站自助化"。其技术架构基于三层Agent协同： - 智能网元层：基站、传输设备等网元内置AI推理能力，实现本地异常检测和预处理 - 智能基座Agent层：在网络基础设施层部署AI Agent，执行跨域关联分析和初步决策 - 智能OSS Agent层：在运营支撑系统层部署高层Agent，完成端到端业务影响分析和自动化工单生成

三层架构通过统一的意图驱动接口协同工作，将运维人员从"看告警-查日志-定位故障-派工单"的串行工作流，转变为"设定意图-AI自动执行-人工审核确认"的并行模式。

应用场景与效果：Dark NOC聚焦故障处理和客户投诉两大高价值场景。在实际部署中，故障平均修复时间（MTTR）从数小时缩短至分钟级，客户投诉处理效率提升60%以上，NOC人员可管理的网络规模提升3-5倍。方案已在中国移动多个省公司部署运行。

对通信从业者的价值：Dark NOC方案为行业提供了从L3到L4跨越的工程参考。其三层Agent架构体现了"分布式智能、集中式编排"的设计理念，值得所有从事网络运维系统开发的工程师深入研究。特别是"一次上站自助化"的理念——通过AI预诊断，确保维护人员一次上门就能解决问题，大幅提升了外线作业效率。

三、中国移动AN L4无线智能体：三省商用落地Agentic AI

方案概述：2025年10月，在中国移动全球合作伙伴大会上，中国移动联合中兴通讯发布"无线通信智能体AN L4生态践行成果"，广东、福建、河南三省移动公司联合展示了国内首批基于Agentic AI技术的无线智能体商用实践。

核心技术原理：无线智能体基于Agentic AI架构，具备感知、决策、执行、学习四项核心能力。不同于传统的规则引擎或单一ML模型，Agentic AI的无线智能体能够： - 自主感知：实时采集基站KPI、用户体验指标、无线环境参数等多维数据 - 推理决策：基于九天网络大模型进行因果推理，识别问题根因而非仅检测异常 - 自主执行：通过标准化API对接网管系统，执行参数调整、邻区优化等操作 - 持续学习：从执行结果中反馈学习，不断优化决策策略

三省分别聚焦不同场景：广东侧重网络性能优化，福建聚焦用户体验保障，河南则重点关注网络节能与覆盖优化。

应用场景与效果：在广东省的实际应用中，无线智能体实现了5G网络邻区关系的自动优化，PCI冲突自动解决率达到92%。福建省的实践显示，用户投诉相关的网络问题自动处理率提升至85%。河南省通过智能体控制的基站节能策略，在保证用户体验的前提下实现了15%-20%的基站能耗降低。

对通信从业者的价值：三省商用实践证明了Agentic AI在无线网络运维中的规模可行性。对于无线网络优化工程师，这意味着未来的工作重心将从"执行优化"转向"训练和监督AI智能体"。理解Agentic AI的工作原理和调优方法，将成为无线网优工程师的核心竞争力。

四、华为TeleLogs：用大语言模型突破5G故障根因分析

方案概述：华为巴黎研究院联合华为中国和阿联酋哈利法科技大学，于2025年推出TeleLogs——首个专门面向5G网络故障诊断的大语言模型训练数据集和双阶段训练方法，实现了"让AI像老工程师一样看透网络问题根源"。

核心技术原理：TeleLogs包含三大核心数据维度： - 网络工程参数：基站位置、天线角度（机械下倾角、数字下倾角）、发射功率等配置信息 - 用户平面数据：下载速度、信号强度（RSRP/RSINR）、信号质量指标 - 故障案例知识：基于资深工程师经验的根因分析案例库

训练采用双阶段方法：第一阶段进行大规模网络知识预训练，让模型理解5G网络的基本架构和参数含义；第二阶段进行故障诊断微调，通过思维链（CoT）推理让模型学会"逐步排除法"。

在实际案例中，TeleLogs模型精准诊断了一起典型故障：用户在基站919下吞吐量骤降至0.14Mbps，AI模型通过分析基站工程参数发现919基站总下倾角12度过大（测试点距离小于100米），导致信号覆盖偏离，切换到基站737后恢复至346Mbps以上。

应用场景与效果：TeleLogs模型在根因定位准确率上超过了参数量更大的通用大模型。经过领域训练的小参数模型（7B级别）在5G故障诊断任务上的表现与通用大模型（70B+）相当，但推理成本降低90%以上。

对通信从业者的价值：TeleLogs案例揭示了一个重要趋势——在通信专业领域，精心构建的垂直数据集比单纯增大模型参数更有效。对于有志于将AI应用于网络运维的工程师，构建高质量的领域数据集（而非训练更大的模型）才是核心壁垒。同时，"让AI像老工程师一样思考"的理念值得在更多网络运维场景中推广。

五、Claro Colombia：拉美运营商的AIOps SOC重构之路

方案概述：拉美最大电信运营商之一Claro Colombia携手TCS（塔塔咨询服务）和VIAVI Solutions，开展了为期四年的SOC（安全运营中心）重构项目，基于VIAVI NITRO AIOps平台实现网络运营的全面智能化转型。2026年5月，Senza Fili发布了Claro Colombia的实践报告。

核心技术原理：NITRO AIOps平台的核心能力包括： - 多厂商多技术统一管理：通过AI/ML能力同时管理2G/3G/4G/5G多代网络和多厂商设备 - 端到端服务建模：从SOC（位于Ortezal）建模Claro完整服务链路，实现从网络层到业务层的关联分析 - 预测性分析：基于历史数据训练异常检测模型，在故障影响用户之前发出预警 - 运营治理框架：确保AI决策在运营商定义的策略边界内执行，实现AN L4级别的自主运维

项目的独特之处在于它不是一个简单的工具替换，而是以客户体验为中心重新设计了整个SOC运营流程。

应用场景与效果：经过四年实施，Claro Colombia的SOC实现了从"告警驱动"到"体验驱动"的转变。告警噪声降低超过80%，MTTR（平均修复时间）减少约40%，客户体验相关的主动发现率提升至60%以上。

对通信从业者的价值：Claro Colombia案例为发展中市场的运营商提供了参考。其成功要素有三：一是选择正确的合作伙伴组合（TCS提供系统集成，VIAVI提供AI平台）；二是以四年为周期的长期投入而非短期项目；三是将客户体验而非网络KPI作为AIOps的核心优化目标。

六、NTT DATA Agentic NetOps：从AIOps到自主网络的演进路线

方案概述：NTT DATA在2026年提出"Agentic NetOps"概念，联合Grok AIOps平台构建下一代网络运营架构，目标是实现"网络在机器速度下自我思考和修复"。

核心技术原理：Agentic NetOps的架构分为三个成熟度层级： - L1 感知智能：通过Grok的自学习异常检测引擎，实现对IT和网络基础设施的实时监控和异常发现，无需预先定义规则 - L2 推理智能：引入因果推理AI，不仅检测异常，还能分析异常之间的因果关系，自动合并相关事件，减少90%的事件噪声 - L3 自主智能：部署AI Agent执行闭环操作——感知、决策、执行、验证全流程自动化

NTT DATA强调Agentic NetOps的关键特征是"持续的自主学习和适应"，系统不需要定期重新训练模型，而是通过反馈循环不断优化。

应用场景与效果：在NTT全球托管服务客户中，Grok AIOps平台已将事件噪声降低90%， incidents的MTTR减少40%-60%。对于全球大型电信运营商客户，平台每日处理超过100万个监控数据点，自动识别并关联数千个事件为数十个有意义的 incidents。

对通信从业者的价值：NTT DATA的Agentic NetOps路线图为运营商提供了从传统AIOps向自主网络演进的清晰路径。其核心启示是——Agentic AI不是一次性替换现有运维系统，而是在现有自动化基础上逐步叠加推理和自主决策能力。对于运维团队，建议按照"感知增强→推理辅助→自主闭环"的节奏推进。

七、AT&T×Aira×Ericsson：从运营商意图到可部署rApps的GenAI路径

方案概述：2026年MWC巴塞罗那，AT&T、Aira Technologies和Ericsson联合展示了业界首个从"运营商意图"到"可部署rApps"的端到端GenAI自动化路径，将自然语言描述的运维需求转化为可在RAN智能控制器上运行的标准化应用。

核心技术原理：展示的核心流程包含四个步骤： 1. 意图输入：运维工程师用自然语言描述需求（如"在高峰时段优先保障企业用户的上行吞吐量"） 2. GenAI生成rApp：Aira的GenAI引擎将自然语言意图转化为O-RAN标准格式的rApp代码 3. 验证测试：生成的rApp在Ericsson创新实验室的仿真环境中进行验证，确保策略在接近现网的条件下正确执行 4. 生产部署：通过Ericsson EIAP（Ericsson Intelligent Automation Platform）部署到生产网络

2025年里程碑中，EIAP已在Ericsson创新实验室中以接近生产环境的配置运行，验证了端到端流程的可行性。

应用场景与效果：该方案的意义在于打通了从"运维需求"到"自动化执行"的最后一公里。传统方式中，一个新的RAN优化策略需要数周的需求分析、开发和测试。GenAI路径将这一周期缩短至小时级，同时保证了O-RAN标准的兼容性。

对通信从业者的价值：这一进展对RAN运维团队的影响深远。未来，网优工程师不再需要深入理解rApp的编程细节，而是通过"描述意图"即可驱动网络行为。这要求工程师培养更准确的"需求描述"能力和对AI生成策略的"审核判断"能力。

技术架构：AIOps在通信网络中的分层架构

graph TB
    subgraph "意图交互层"
        A[自然语言运维需求] --> B[LLM意图解析引擎]
        B --> C[运维策略生成]
    end

    subgraph "智能编排层"
        C --> D[Multi-Agent协同调度器]
        D --> D1[故障诊断Agent]
        D --> D2[性能优化Agent]
        D --> D3[节能管理Agent]
        D --> D4[安全监控Agent]
    end

    subgraph "AI推理层"
        D1 --> E1[TeleLogs根因分析]
        D1 --> E2[时序异常检测]
        D2 --> E3[因果推理引擎]
        D3 --> E4[强化学习策略]
        D4 --> E5[威胁识别模型]
    end

    subgraph "数据采集层"
        E1 --> F1[网元KPI/日志]
        E2 --> F2[用户面体验数据]
        E3 --> F3[网络配置参数]
        E4 --> F4[业务信令数据]
        E5 --> F5[安全事件流]
    end

    subgraph "执行闭环层"
        D1 --> G1[自动工单/自愈脚本]
        D2 --> G2[参数调整/邻区优化]
        D3 --> G3[载波关断/功率调整]
        D4 --> G4[隔离/阻断策略]
        G1 --> H[效果验证与反馈学习]
        G2 --> H
        G3 --> H
        G4 --> H
        H --> D

行业趋势：AIOps能力成熟度跃迁

graph LR
    subgraph "AIOps 1.0<br/>2020-2023"
        A1[规则引擎] --> A2[简单异常检测]
        A2 --> A3[告警收敛]
    end

    subgraph "AIOps 2.0<br/>2024-2025"
        B1[ML根因分析] --> B2[预测性维护]
        B2 --> B3[智能工单]
    end

    subgraph "AIOps 3.0<br/>2026-"
        C1[Agentic AI] --> C2[Multi-Agent协同]
        C2 --> C3[自主闭环]
        C3 --> C4[Dark NOC]
    end

    AIOps 1.0 -->|数据驱动| AIOps 2.0
    AIOps 2.0 -->|智能体驱动| AIOps 3.0

投资/关注建议

对运营商管理层： 1. 优先投资Multi-Agent架构：单一AI模型无法覆盖网络运维的全链路复杂性。浙江移动和Dark NOC的成功证明，Multi-Agent架构是实现端到端智能闭环的最可行路径 2. 布局垂直领域数据集：华为TeleLogs的实践表明，通信领域的AI竞争力不在于模型规模，而在于高质量的领域数据。建议系统性地积累和标注网络故障案例数据 3. 关注Agentic AI工具链：Omdia调查中41%的CSP已将Agentic AI视为核心，但缺乏成熟的工具链。建议关注Grok、Amdocs Network AIOps等平台级解决方案

对网络运维工程师： 1. 从"执行者"转型为"AI监督者"：三省AN L4无线智能体的商用实践表明，工程师的角色正在从执行具体操作转向训练、审核和优化AI智能体 2. 掌握意图工程（Intent Engineering）：AT&T×Aira×Ericsson的案例预示，用自然语言精确描述运维意图将成为核心技能 3. 深入理解Multi-Agent系统：浙江移动的传输网案例、Dark NOC的三层Agent架构都采用了Multi-Agent范式。理解Agent间的通信协议、任务分解和冲突解决机制，是未来运维工程师的技术护城河

对设备商/解决方案提供商： 1. 拥抱开放生态：Nokia和Ericsson在MWC 2026上联合推进开放SMO和rApp生态系统，意味着封闭的自动化方案将被淘汰 2. 构建"运维数据飞轮"：谁掌握了最多的网络运维数据（故障案例、操作日志、效果反馈），谁就能训练出最强的运维AI 3. 重视AN L4认证价值：TM Forum的AN L4认证正在成为运营商选择供应商的重要考量，建议将产品对标AN L4标准进行能力建设

延伸阅读

• TM Forum《自智网络测评白皮书 2.0》（2025年12月发布）
• Omdia《State of AI in Telco Operations 2026》报告
• Heavy Reading《AIOps Network Operator Survey: From Ambition to Action》（2025，Amdocs/Radcom委托）
• 华为TeleLogs论文（2025年，面向5G网络故障诊断的LLM训练方法）
• NTT DATA《Agentic NetOps Will Redefine Network Operations》洞察报告（2026年5月）

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。