一条光纤告警，三专业同时炸锅——山东移动用多智能体把跨域故障的"罗生门"按在地上

一条骨干光缆在凌晨被市政施工挖断，故障发生后3分钟内，传输网管弹出47条光路LOS告警，IP网管涌出120多条BGP邻居中断与端口down告警，动环系统同时上报沿线6个机房市电异常与温度飙升。三套专业网管、三套值班台、三拨运维人员，各自盯着自己那一摊告警，电话拉群、Excel比对、凭经验猜根因——这就是运营商跨域故障最真实的"罗生门"。等真正锁定是那条光缆、把业务全部切到备用路由时，往往一两个小时已经过去，政企专线SLA已经被打穿。

单一专业内的故障自愈，业界已经卷到了极致：传输网有"黑灯工厂"，IP骨干网有万分之一秒自愈，动环有AI抢在断站前动作。但当故障跨越专业边界时，这些自愈系统彼此割裂，谁也说服不了谁，根因定界反而比单域更难。中国移动山东公司（以下简称"山东移动"）联合中兴通讯给出的答案，是用一套二级意图路由的多智能体协同架构，让一个"总控智能体"统辖识别、分析、调度、评估四类业务智能体，把跨域故障从识别、定界、调度到闭环全链路串起来——事件1分钟智能生成、跨域定界定位准确率达到91%，并把整套智算底座在45天内落地现网。

这是AIOps故障自愈从"单域自动化"迈向"跨域编排自治"的一个标志性样本，也是2025年通信行业多智能体（Multi-Agent）落地最扎实的现网案例之一。

一、案例背景：跨域故障为什么是运维的"终极难题"

中国移动管理运营着全球规模最大的5G网络、服务超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。山东移动与中兴通讯承接的，正是其中最硬的骨头之一——网络综合故障监控处理的智能化。

问题之所以硬，根源在三重矛盾：

第一，维护工具和手段离散化。IP网、传输网、动环、无线，每个专业都有自己的网管、自己的告警格式、自己的知识库，工具互不相通。

第二，经验知识分散化。判断一条跨域故障的真正根因，靠的是老师傅脑子里那张"故障-现象-处置"的因果网，而这些经验散落在不同专业团队，难以沉淀为机器可用的结构化知识。

第三，跨域根因的因果复杂性。同一个现象（如某政企专线中断）可能由光缆断、路由器端口故障、动环掉电、甚至上联机房空调失效导致高温宕机等多种原因共同作用。单专业自愈系统只能看到自己那一段，给出的都是"疑似"，真正拍板还得靠人。

传统模式下，跨域故障的平均识别-定界-调度闭环耗时动辄以小时计，运维人员工作负荷巨大。山东移动要解决的，就是用大模型+多智能体把这段"人拉肩扛"的链路自动化。

二、智算底座：45天落地的全栈智算一体机

大模型落地的第一只拦路虎，不是算法，是GPU。项目组调研发现，缺少GPU资源是大模型应用落地的关键风险。为此中兴通讯组织智算专家深入调研组网与工勘，给出了从算力、网络、能力、智力到应用的全栈智算解决方案，从发起需求、方案规划到落地仅用45天。

这套底座的核心是智算一体机：集成高算力硬件、训练推理平台及主流大模型，软硬协同最大化释放GPU算力。关键在于它适配中兴通讯星云通信大模型、业界主流开源大模型，并支撑RAG服务本地化一键部署——这对运营商至关重要。运维数据涉及网络拓扑、配置、客户信息等敏感资产，必须留在本地；全链路数据加密+身份认证机制，保障数据安全与隐私，防止未授权访问。这套"本地化推理+安全隔离"的设计，是后续所有智能体能在生产网放心运行的前提。

三、核心架构：二级意图路由 + LPI协同范式

整套方案的灵魂，是一张"总控智能体+业务智能体"的二级意图路由架构。它的设计哲学很清晰：与其训练一个无所不能的超级大模型，不如把任务拆解给一组专精的智能体，再用一个总控智能体做意图识别、路由分发与流程控制。

flowchart TB
    subgraph 入口["故障入口层"]
        A["跨专业告警/工单<br/>IP网·传输网·动环"]
    end
    subgraph 总控["总控智能体 (Orchestrator)"]
        B["意图识别 → 二级意图路由"]
        C["流程控制 / 环节判定"]
    end
    subgraph 业务智能体["业务智能体集群 (通过LPI协同)"]
        D1["识别智能体<br/>大小模型协同<br/>1分钟生成事件"]
        D2["分析智能体<br/>知识库+因果思维链<br/>跨域定界定位"]
        D3["调度智能体<br/>派单+处置流程编排"]
        D4["评估智能体<br/>闭环验证/效果回写"]
    end
    subgraph 前端["一线触达层"]
        E["掌上运维<br/>智能问答助手"]
        F["现网故障管理系统<br/>调度系统"]
    end
    A --> B
    B --> D1 --> C
    C --> D2 --> C
    C --> D3 --> C
    C --> D4 --> C
    C -->|能力开放| F
    D3 -->|知识/API前移| E
    D4 -->|判定闭环| C
    C -.->|结果回传| B

架构里有两个值得专门拆解的技术决策。

决策一：二级意图路由策略。 总控智能体并不直接干活，它只做两件事——意图识别和路由。当一个跨域故障进来，总控智能体先判断"现在该识别、还是该分析、还是该调度"，再把任务路由给对应的业务智能体；业务智能体干完把结果回传，总控智能体再判断是否进入下一环节。这种"指挥官+执行部队"的结构，让每个智能体只聚焦自己最擅长的一段，准确率反而比单一大模型更高。

决策二：从API向LPI（Language Programming Interface）演进。 这是整套方案最有技术含量的一笔。多智能体协作最大的敌人是误差累积——A智能体传给B智能体的中间结果如果带噪声，B再传给C，错误会被层层放大。传统做法是智能体之间用结构化API交互，但API难以承载模糊的语义推理。中兴通讯的做法是引入LPI（语言编程接口），让智能体之间用更接近自然语言的、结构化与语义化结合的方式协同，显著提升了多智能体协作的准确性，压住了误差累积。

四、关键能力拆解：从1分钟识别到91%跨域定界

4.1 识别智能体：大小模型协同，1分钟生成事件

事件识别环节最大的痛点是告警压缩与摘要。跨域故障瞬间涌入数百条告警，人根本看不过来。山东移动的方案没有用单一模型硬扛，而是大小模型分工：

• 小模型负责数据动态聚合——把海量原始告警按时间、拓扑、关联性聚类，低成本、低延迟；
• 大模型负责事件摘要生成——基于聚合后的结构化数据，生成"言简意赅的事件总结"，给出人类可读的故障概述。

这套协同让事件智能生成控制在1分钟以内。对比传统人工告警归并动辄十几分钟，这是数量级的提升。

4.2 分析智能体：知识库+因果思维链，跨域定界91%

定界定位是跨域故障的核心难题，也是这套方案最硬的成绩。它用的是"故障知识+大模型因果推理思维链"融合推理：一方面依赖沉淀的故障案例库（结构化的"故障-现象-处置"知识），另一方面用大模型的思维链（Chain-of-Thought）做因果推理，把多重原因共同作用导致的复杂跨域故障，一步步拆到根因。

结果是——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。注意"多重原因共同作用"这个限定词：这恰恰是单专业自愈系统最无能为力的场景。单域系统只能给出"我这边没问题"或"疑似我这边"，而跨域分析智能体能把多个专业的线索拼成一条完整的因果链。

4.3 调度与评估智能体：能力前移到掌上端

光定界还不够，还要把处置闭环跑通。方案基于大模型打造了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。一线装维人员到了现场，掏出手机就能自助查询根因、调取处置SOP、甚至直接触发回滚/切换操作，前后台交互效率大幅提升。评估智能体则在处置后做闭环验证，确认业务恢复才判定闭环，避免"假恢复"。

五、效果数据与对比

方案通过能力开放，嵌入山东移动现网的故障管理系统、调度系统、掌上运维三大生产系统，在IP网、传输网、动环跨专业故障场景完成试点验证。

表1：山东移动多智能体协同方案核心效果数据

表2：智能体角色与职责分工

六、横向对比：跨域编排 vs 单域自愈，到底差在哪

有人会问：既然传输网已有"黑灯工厂"、IP骨干网已有亚毫秒自愈、动环已有AI预警，山东移动这套多智能体是不是重复造轮子？答案恰恰相反——两者是"编排层"与"执行层"的关系，互补而非互斥。

表3：跨域多智能体编排 vs 单专业自愈能力对比

放在国际坐标系里看，这套思路与TM Forum 2025年发起的Catalyst项目"多级多智能体网络故障修复"（Multilevel Multi-Agent Network Fault Healing）高度同频——后者同样采用分层多智能体架构构建自动化闭环，用于传输网故障全流程管理。这说明"多智能体跨域编排"已经是全球CSP的共识方向，而山东移动+中兴通讯把它做到了现网91%定界准确率的硬指标，走在了第一梯队。同体系内，浙江移动联合中兴、直真科技也在传输网落地了"多层智能体协同故障处理"，中国移动与中兴的"多智能体协同"方案更在MWC25斩获GSMA Foundry网络效率及优化奖——这条技术路线正在从单点试点走向规模化复制。

七、工程化启示：三个被低估的细节

第一，GPU是第一瓶颈，软硬一体是解法。 大模型在运营商生产网落地，算力获取往往比模型调优更难。中兴45天交付全栈智算一体机、RAG本地化一键部署，把"等GPU"变成了"开箱即用"，这套打法对资金和算力都不宽裕的省公司极具参考价值。

第二，多智能体的成败在"误差累积控制"。 单个智能体再强，链式协作时噪声会被放大。LPI范式（从纯API到语言编程接口）是山东移动方案里最容易被外行忽略、却最值得内行抄作业的设计。

第三，大小模型协同是性价比之选。 用小模型做低延迟的聚合、用大模型做高价值的推理与摘要，既控住了成本和时延，又拿到了大模型的推理能力。一味堆大模型参数，在"1分钟生成事件"这类时延敏感场景反而吃亏。

八、结论

山东移动与中兴通讯的实践证明：通信网络故障自愈的下一个战场，不在任何单一专业内部，而在专业之间的缝隙。当IP网、传输网、动环的告警同时炸响，真正值钱的不是谁恢复得快，而是谁能把跨域因果链在一分钟内讲清楚、把跨专业处置在91%的准确率下自动闭环。二级意图路由、LPI协同、大小模型分工——这套多智能体编排架构，把运维从"跨域罗生门"拉回了"可量化、可自治"的工程轨道。它入选TMF GenAI IG1345、CCSA《网络运营管理大模型应用场景研究》、ICT中国2024优秀案例与"兴智杯"，绝非偶然。跨域编排自治，正在成为高阶自智网络（L4/L5）最关键的一块拼图。

参考来源

1. 山东移动携手中兴通讯：多智能体协同，使能网络综合故障监控处理 — 中兴通讯ZTE Technologies — 核心一手来源，含二级意图路由、LPI、91%定界准确率等全部技术细节与效果数据（作者：中兴通讯 周波、宋培双，2025-06-24）
2. 山东移动携手中兴通讯完成多智能体协同，使能网络综合故障监控处理 — 新浪财经 — 现网发布与跨专业试点验证的行业报道
3. Multilevel Multi-Agent Network Fault Healing — TM Forum Catalyst C25.5.859 — 国际对标：分层多智能体自动化闭环方法论
4. How multi-agent AI is transforming network fault repair — TM Forum inform — 多智能体分层架构构建自动化闭环的产业分析
5. 中国移动与中兴通讯斩获GSMA网络效率大奖，开启多智能体运维新纪元 — 搜狐 — 同体系多智能体协同方案的MWC25国际认可佐证

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。