HYVE：面向机器数据LLM上下文工程的混合视图

机器数据是现代计算系统可观测性与诊断的核心，出现在日志、指标、遥测轨迹和配置快照中。当提供给大语言模型（LLM）时，这些数据通常以自然语言与结构化载荷（如JSON或Python/AST字面量）混合的形式到达。然而LLM在这类输入上依然脆弱，尤其是当输入很长、嵌套很深且以重复结构为主时。我们提出HYVE（HYbrid ViEw），一个受数据库管理原则启发的框架，用于对包含大型机器数据载荷的输入进行LLM上下文工程。HYVE以协同的预处理和后处理环绕模型调用，核心是一个以模式信息增强的请求级数据存储。在预处理阶段，HYVE检测原始输入中的重复结构，将其物化到数据存储中，转换为列式与行式混合视图，并只选择性地向LLM暴露最相关的表示。在后处理阶段，HYVE要么直接返回模型输出，要么查询数据存储以恢复被省略的信息，要么执行一次有界的额外LLM调用进行SQL增强的语义合成。我们在涵盖知识问答、图表生成、异常检测和多步网络排障的多样真实工作负载上评估HYVE。在这些基准上，HYVE将token使用量降低50-90%，同时保持或提升输出质量。在结构化生成任务上，它将图表生成准确率最多提升132%，延迟最多降低83%。总体而言，对于由大型机器数据载荷主导的提示，HYVE提供了一种对有效无界上下文窗口的实用近似。