STAR：面向微服务RCA智能体的阶段归因分诊与修复框架

基于LLM的根因分析（RCA）智能体近来已成为微服务AIOps中事件诊断的一种有前景的范式。然而其可靠性仍然脆弱：早期证据收集、假设形成或因果分析中的一个错误会沿推理轨迹传播，最终污染最终诊断。本文提出STAR，一个用于修复错误RCA轨迹的阶段归因分诊与修复框架。STAR将RCA工作流显式分解为四个结构化阶段，即证据包（Evidence Package, EP）、假设集（Hypothesis Set, HS）、分析结构（Analysis Structure, AS）与决策报告（Decision Report, DR），并将智能体失败视为可定位到阶段的推理缺陷，而非整段端到端错误。STAR构建于LangGraph之上，执行分阶段审计、预算感知的快/慢路由、通过反事实候选评估定位决定性阶段，以及阶段特定的修补与重放修复。我们在公开大规模基准与真实生产数据集上、使用两种RCA智能体工作流和三个基础模型评估STAR。实验结果表明，STAR在根因定位与故障类型分类上均持续优于强基线。此外，STAR能以高准确率识别决定性故障阶段，在一两轮重放内修复大多数初始错误的轨迹，并从快/慢路由与反事实阶段评估中均显著受益。这些结果表明，显式建模RCA智能体在何处失败，是通向可靠、可调试、可自修复的智能体RCA系统的有效路径。