面向无蜂窝 O-RAN 意图驱动优化的 Agentic AI

Agentic 人工智能（AI）正成为自主无线接入网（RAN）的关键使能技术，其中多个基于大语言模型（LLM）的智能体进行推理与协作，以实现运营商定义的意图。开放 RAN（O-RAN）架构支持此类智能体的部署与协调。然而，多数现有工作只考虑由独立智能体处理的简单意图，需要智能体间协调的复杂意图仍未被探索。本文提出一个面向无蜂窝 O-RAN 中意图转译与优化的 Agentic AI 框架。主管智能体将运营商意图转译为优化目标与最低速率要求。基于这些信息，用户加权智能体从记忆模块检索相关先验经验，以确定预编码的用户优先级权重。如果意图包含节能目标，开放无线电单元（O-RU）管理智能体也会被激活，用深度强化学习（DRL）算法确定活跃 O-RU 集合。监控智能体测量并监视用户数据速率，并与其他智能体协作以保证满足最低速率要求。为提升可扩展性，我们采用参数高效微调（PEFT）方法，使同一底层 LLM 可用于不同智能体。仿真结果显示，节能模式下所提 Agentic AI 框架较三种基线方案减少 41.93% 的活跃 O-RU 数量。使用 PEFT 方法，所提框架较部署独立 LLM 智能体减少 92% 的内存占用。