局部思考，全局解释：通过局部推理与信念传播进行图引导的LLM调查

当环境基本静态且所需信息能装入模型上下文窗口时，LLM智能体表现出色，但在开放式调查中常常失败，因为这类调查需要通过迭代挖掘海量异构运维数据来构建解释。这些调查存在隐藏的依赖结构：实体相互交互，信号共同变化，一个事实的重要性可能只有在发现其他证据后才能明确。由于上下文窗口有限，智能体必须在其重要性尚不明朗时总结中间发现，增加了丢弃关键证据的风险。ReAct式智能体在这种情形下尤其脆弱。其检索-总结-推理循环使结论对探索顺序敏感，并引入运行间的不确定性，产生一种可靠性差距：Pass-at-k可能很高而Majority-at-k仍然很低。简单地采样更多回合或生成更长的推理轨迹并不能可靠地稳定结果，因为假设无法在新证据到来时被自主检验，且缺乏显式的信念记账与修订机制。此外，ReAct将语义推理与工具编排、状态跟踪等控制器职责纠缠在一起，导致执行错误和计划漂移在消耗稀缺上下文的同时损害推理。为此，我们将调查表述为依赖图上的溯因推理，并提出EoG（Explanations over Graphs），一种解耦框架：LLM执行有界的局部证据挖掘与标注（原因还是症状），而确定性控制器管理遍历、状态和信念传播，以计算最小解释边界。在一个代表性的ITBench诊断任务上，EoG在准确性和运行间一致性上均优于ReAct基线，包括Majority-at-k实体F1平均7倍的提升。