LATS-RCA：用于微服务中根本原因分析的语言代理树搜索

大语言模型 (LLM) 的最新进展使得早期尝试能够在微服务系统 (MSS) 中实现自动化根本原因分析 (RCA)。然而，现有方法通常依赖于沿着单一诊断路径进行的线性推理过程。在本文中，我们提出了 MSS 中的 RCA 语言代理树搜索（LATS-RCA）。 LATS-RCA 将 RCA 制定为针对根本原因假设的反射引导树结构搜索，其中多个代理迭代分析日志和指标以收集证据，反射分数引导搜索最可能的异常服务根本原因。我们在开放基准 (LO2) 上评估 LATS-RCA，达到 91.3% 的诊断准确性并分析相关的计算成本。前沿 LLM（Claude Sonnet 4.5、GPT-5 和 Gemini 3 Pro）之间的变化很小，在 89.7% 到 91.3% 之间，这表明我们的方法与模型无关。我们还进行了一项探索性研究，通过评估 LATS-RCA 来评估网络托管公司 (Zoner Oy) 生产 MSS 的真实事件，该公司为欧洲超过 300,000 个网站提供服务。我们发现 LATS-RCA 在多次运行中平均正确诊断了 65.1% 的生产事件。这揭示了现实世界 RCA 的关键挑战，包括多因素根本原因、大规模系统复杂性和不完整的可观测性，而这些都是开放基准所不具备的。未来的工作应该为 RCA 开发更现实的开放数据集，并使用其他数据集验证 LATS-RCA。我们的复制包可从 https://github.com/kottinov/lats-rca 获取。