当一条光缆在凌晨被施工队挖断，传统运维链路是这样运转的：传输网管先报出几十条告警，IP承载网紧跟着涌出成百上千条级联告警，动环系统也开始尖叫。值班工程师需要在一堆跳动的红色窗口之间来回切换，凭经验判断"根"到底在哪里，再手动派单、调度抢修队伍。一项行业统计显示，故障定位环节平均占去MTTR（平均修复时间）的60%以上，某大型运营商2022年的核心网故障中，有43%的故障定位时间超过30分钟。真正用在"修"上的时间往往很短，绝大部分都消耗在"找"上。
AIOps（智能运维）在通信行业已经讲了多年，但2025年发生了一次真正的范式跃迁：以通信大模型为大脑、以多智能体（Multi-Agent）协同为四肢的"故障自愈"体系，开始把"识别—定界—调度—处置—评估"这条原本靠人驱动的人工流水线，改写成智能体自治的闭环。本文以中国移动山东公司（下称"山东移动"）联合中兴通讯落地的"故障监控机器人大模型应用"为主案例，结合华为NetMaster网络故障智能体助力中国移动拿到业界首个IP网络故障管理场景AN 4.0认证的对比案例，拆解大模型多智能体如何真正"攻克"网络故障自愈。
要理解多智能体的价值，先看通信网络故障自愈的三代技术路径。
第一代：规则引擎与自组织网络（SON）。 以3GPP TS 32.541《自愈网络技术规范》为代表，定义了小区中断检测与补偿、网络设备软件自恢复、板卡故障自愈等功能模块。它的特点是"硬编码规则"——预先写好"如果A告警+B指标超阈值，则执行C动作"，优点是确定性高、可审计，缺点是只能覆盖工程师事先想到的场景，面对5G跨专业（无线+承载+核心+动环）的级联故障，规则组合呈指数爆炸，覆盖率迅速见顶。
第二代：机器学习根因分析（ML-RCA）+ SOAR。 引入时序异常检测、知识图谱关联、随机森林等算法做根因排序，再通过SOAR（安全编排自动化）式的事件驱动编排做处置。这一代把根因准确率推到了90%上下，某国际运营商测试显示引入AI驱动的根因分析后，网络重大故障MTTR降低58%、用户投诉率下降31%。但它的瓶颈在于：分析是"单点推理"，处置是"脚本编排"，两者之间仍需人去翻译——算法说"疑似光功率异常"，运维人员还得自己判断是光缆断了还是模块老化，再决定怎么修。
第三代：通信大模型多智能体协同。 这是2024—2025年的新阶段。核心变化有三点：
下表概括三代范式的差异：
| 维度 | 第一代规则/SON | 第二代ML-RCA+SOAR | 第三代大模型多智能体 |
|---|---|---|---|
| 大脑 | 预置规则库 | 机器学习模型（图谱/森林） | 通信大模型（如星云、盘古） |
| 推理方式 | 布尔逻辑匹配 | 单点概率排序 | 因果链（CoT）+ 多智能体协作 |
| 处置方式 | 固定脚本 | 事件驱动编排（SOAR） | 意图路由+LPI协同闭环 |
| 跨域能力 | 弱（专业孤岛） | 中（需人工桥接） | 强（IP/传输/动环统一编排） |
| 根因准确率 | 依赖人工经验 | 约90% | 91%+（山东移动实测） |
| 代表标准/产品 | 3GPP TS 32.541 | 各厂商AIOps平台 | 中兴星云多智能体、华为NetMaster |
中国移动管理运营着全球规模最大的5G网络，超过10亿移动用户。作为"移动信息现代产业链链长"，中国移动在2024年面向各省份分公司和行业合作伙伴发出自智网络子链联合攻关命题，号召聚焦AI前沿技术解决自智网络瓶颈。山东移动携手中兴通讯承接了其中的"AI网络运维大模型赋能网络故障监控"课题。
摆在他们面前的痛点非常具体：网络规模和复杂度几何级增长，而维护工具手段却高度离散化、经验知识分散化，导致三个顽疾——跨域业务场景下的故障识别迟滞、人工定界效率低下、调度处置流程冗长。一条故障往往同时牵动IP网、传输网、动环等多个专业，传统单专业网管各自为战，根因像迷雾一样难以收敛。
大模型落地的第一道门槛不是算法，而是算力。"缺少GPU资源"被项目组列为大模型应用落地的关键风险。为此他们组织智算专家深度调研组网与工勘，最终形成全栈智算解决方案——从发起需求、方案规划到落地仅用45天。
中兴通讯提供了从算力、网络、能力、智力到应用的全栈智算一体机：集成高算力硬件、训练推理平台及主流大模型，适配中兴星云通信大模型和业界主流开源大模型，并支撑RAG（检索增强生成）服务本地化一键部署。这一点对运营商尤为关键——运维数据涉及网络拓扑、配置、性能等敏感信息，全链路数据加密+身份认证的本地化部署，有效防止未授权访问，在合规和数据隐私上把好了关。
这是整个方案最核心的设计。方案采用二级意图路由策略：顶层是一个总控智能体（Master Agent），负责意图识别、路由分发和流程控制；它把任务分发给识别、分析、调度、评估等若干业务智能体（Worker Agent），每个业务智能体完成具体任务后把结果回传给总控智能体；总控智能体再判断是否进入流程的下一环节，多智能体协同配合驱动故障流程闭环。
为了降低智能体协作间的误差累积，方案还引入了一个值得关注的技术演进——从API向LPI（Language Programming Interface，语言编程接口）演进。传统智能体间用结构化API交互，一旦某个字段对不上就卡死；LPI允许智能体之间用更接近自然语言的方式协商意图，提升了协作的鲁棒性和准确性。
flowchart TD
A[告警/性能/拓扑数据] --> B[总控智能体 Master Agent<br/>意图识别 + 二级路由 + 流程控制]
B -->|分发| C1[识别智能体<br/>大小模型协同<br/>1分钟生成事件]
B -->|分发| C2[分析智能体<br/>CoT因果链 + 故障知识库<br/>定界定位]
B -->|分发| C3[调度智能体<br/>派单 + 抢修编排]
B -->|分发| C4[评估智能体<br/>处置效果回溯]
C1 -->|LPI协同| B
C2 -->|LPI协同| B
C3 -->|LPI协同| B
C4 -->|LPI协同| B
C3 --> D[掌上运维<br/>智能问答助手 + 原子API前移]
C2 -->|准确率91%+| E[跨域根因结论]
D --> F[现场处置]
F --> C4
C4 -->|KCI/KBI/KEI| G[闭环评估]
G --> B
在事件识别环节，方案没有"一锅端"地全部交给大模型，而是构建了识别智能体，创新采用大小模型协同技术：小模型负责数据动态聚合（高频、低延迟地处理海量告警流），大模型负责事件摘要生成（把聚合后的告警翻译成"言简意赅的事件总结"）。这种分工既保住了实时性，又拿到了大模型的理解与归纳能力，最终实现1分钟智能生成事件。相比之下，传统人工从告警洪流中梳理出一个"事件"往往需要十几分钟甚至更久。
定界定位是故障自愈最难的一环。方案在分析智能体中采用"故障知识 + 大模型因果推理思维链（CoT）"融合推理：综合故障案例库（历史处置经验）与实时告警数据进行多步因果推理。效果立竿见影——将多重原因共同作用导致的跨域故障分析准确率提升至91%以上。
这个数字的含义值得展开：跨域故障之所以难，是因为"一个现象、多个原因"或"一个原因、多个现象"交织。比如多地同时掉站，可能是核心网AMF异常，也可能是承载网大面积误码，还可能是动环市电中断。传统单专业分析容易"误判到错的专业"。CoT思维链让模型像老专家一样一步步推演"如果是A原因，那么B指标应当异常，但B正常，排除A，继续推演C……"，结合案例库的先验知识，把多因多果的纠缠理清。
基于大模型打造的调度处理智能体和智能问答助手，把故障知识、后台数据和原子API能力"前移到掌上端"。一线抢修人员拿着手持终端就能自助查询处置方案、调取后台数据、调用原子能力，大幅提升前后台交互效率和现场自助解决问题的能力。整个方案通过能力开放，嵌入现网故障管理系统、调度系统、掌上运维三大生产入口，真正"长"进了运维流程里，而不是又一个孤立的Demo。
山东移动 × 中兴的多智能体方案，在IP网、传输网、动环跨专业故障场景的试点验证中交出了如下成绩单：
| 关键指标 | 传统人工方式 | 多智能体方案 | 提升效果 |
|---|---|---|---|
| 故障事件识别生成 | 10～30分钟人工梳理 | 1分钟智能生成 | 速度提升约10～30倍 |
| 跨域故障定界准确率 | 依赖个人经验，波动大 | 91%以上 | 准确率显著稳定提升 |
| 智算底座落地周期 | — | 45天（需求到上线） | 快速筑基 |
| 一线人工参与 | 全流程人工驱动 | 智能体协同，大幅减少人工参与 | 释放运维负荷 |
| 数据安全 | — | RAG本地化 + 全链路加密 | 满足运营商合规 |
该项目实践入选TMF GenAI IG1345、CCSA中国通信标准化协会《网络运营管理大模型应用场景研究》、ICT中国2024优秀案例、2024年"兴智杯"金砖国家工业创新大模型赛道优秀项目奖。值得一提的是，中国移动与中兴通讯联合推出的"多智能体协同赋能端到端"方案，还斩获了MWC25巴塞罗那GSMA Foundry网络效率及优化奖，从行业侧印证了这条技术路线的认可度。
如果说山东移动 × 中兴把多智能体做深做实，那么中国移动 × 华为则把"自愈"做到了等级认证的高度。
华为的NetMaster网络智能体基于华为盘古大模型训练而成，集成了数据通信领域超过500亿语料和1万多名网络专家的经验，具备强大的语义理解与思维链辅助决策能力。依托NetMaster，华为打造了故障智能体、变更智能体、优化智能体三大智能体，并与iMaster NCE网络数字地图、智能网元深度融合，推动IP网络向高阶自智演进。
两条关键进展值得关注：
业界首个IP网络故障管理场景AN 4.0认证。中国移动联合华为，基于华为星河AI网络自动驾驶解决方案、依托iMaster NCE网络数字地图与NetMaster网络故障智能体，全面重塑IP网络排障流程，实现了故障自（动处置）的闭环，并通过了TM Forum自智网络等级评估（Autonomous Networks Level 4）。AN L4的含义是"高度自治"——系统能在有限人工监督下自主完成故障的端到端处理。
Tolly Group权威认证。国际独立测试机构Tolly Group发布测评报告：华为NetMaster在网络健康体检与故障闭环处理两大智能化运维关键场景表现优异，覆盖90%的故障场景，无线场景覆盖度是业界主流通信厂商的1.5倍，助力打造"免专家值守"网络。在后续的HiFS2026峰会上，NetMaster进一步升级了动态思维链架构和场景化Agent Skills，并引入强化学习驱动的DCN网络运维大模型，向L4高阶自治加速。
这两条案例放在一起看，趋势非常清晰：通信行业的故障自愈，正在从"AI辅助"走向"AI自治"，并且有了TM Forum AN等级这样的国际化标尺来衡量成熟度。
把视角放大到行业外，互联网大厂在数据中心网络（DCN）的自愈速度更激进。腾讯云网络通过多维监控、智能诊断与快速隔离，实现了20秒内故障自愈，并精准定位异常设备、平滑恢复业务，未来目标是向毫秒级自愈迈进。
但通信运营商网络与互联网DCN有一个本质区别：多专业、跨域、广覆盖。DCN通常是一个自治域、一套技术栈，自愈逻辑相对收敛；而运营商一条业务链路要穿过无线、承载（IP+光）、核心、动环等多个专业、多套厂商设备，任何一个专业"看不懂"另一专业的告警，闭环就断了。这正是通信行业必须走"多智能体协同 + 跨专业编排"路线的根本原因——单专业做到20秒自愈不难，难的是跨专业把整条链路的自愈打通。山东移动选择在IP网、传输网、动环跨专业场景试点，华为NetMaster拿到的是IP网络故障管理AN 4.0，都指向同一个攻坚方向：跨域。
把大模型多智能体故障自愈从Demo搬进生产网，有三个坑必须绕开。
第一，算力与成本。 大模型推理对GPU需求巨大，山东移动案例中"缺少GPU资源"被列为头号风险。运营商需要在中心机房部署智算一体机集中推理，边缘侧则用小模型做高频聚合，形成"大模型思考、小模型执行"的大小模型协同——既保实时性，又控成本。
第二，数据安全与本地化。 运维数据包含网络拓扑、配置、性能等敏感信息，绝不能直接传到公有云大模型。RAG服务本地化一键部署、全链路数据加密、身份认证是底线要求。星云大模型和NetMaster都强调本地化部署，正是出于此。
第三，人在回路（Human-in-the-loop）。 即便定界准确率达到91%、覆盖90%场景，剩下那10%的"长尾疑难"和高危操作（如核心网重启、大面积业务割接）仍需要人工确认。真正成熟的自治网络不是"无人值守"，而是"免专家值守"——把高级专家从重复劳动中解放，集中处理长尾和决策，这才是AN L4的应有之义。
从山东移动×中兴星云多智能体的"1分钟识别、91%定界"，到中国移动×华为NetMaster的"业界首个IP故障管理AN 4.0"，通信网络的故障自愈已经从"规则脚本"和"机器学习单点推理"，正式跨入"大模型多智能体协同自治"的新阶段。
这条路线的本质，是把过去依赖资深专家的判断力和协调力，结构化地"装"进总控智能体和一众业务智能体之中，用因果链推理解决跨域多因多果的纠缠，用LPI降低协作误差，用掌上运维把能力下沉到一线。当TM Forum的AN等级开始为"故障自愈"发证，当GSMA把奖项颁给"多智能体协同"，这个赛道的成熟度已经不容置疑。
下一步值得关注的，是从跨专业编排走向跨厂商编排——今天的多智能体大多还跑在单一厂商的管控域内，当不同厂商的智能体需要协同处理一条贯穿全网的故障时，开放接口和标准化将是真正的硬仗。而3GPP、TM Forum、CCSA等标准组织正在这条路上铺轨，谁先把"多智能体跨厂商自愈"打通，谁就握住了下一代自治网络的钥匙。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!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。