TopoEvo：面向微服务根因分析的拓扑感知自进化多智能体框架

微服务中的根因分析（RCA）之所以困难，原因在于：(i) 噪声大且异构的多模态可观测性数据（指标、日志、追踪），(ii) 放大下游症状的级联故障传播，以及 (iii) 由自动扩缩容和滚动更新引发的非平稳拓扑漂移。近期的基于LLM的RCA智能体能够生成有工具依据的解释，但它们往往不感知拓扑，并受症状放大偏差困扰，将根因错误归因于显眼的下游受害者。我们提出TopoEvo，一个拓扑感知的自进化多智能体框架，它将图表示学习与结构化的拓扑约束推理相结合。TopoEvo首先引入度量正交多模态对齐（MOMA），将指标嵌入分解为互补子空间，并通过对比学习对齐日志与追踪，以降低模态冗余与稀疏性，为图编码生成稳定的节点表示。随后，它应用向量量化（VQ）将拓扑增强的状态离散化为可审计的症状token，并配备症状词表，从而实现可靠的检索与token级证据落地。在这些离散拓扑线索之上，TopoEvo执行多智能体的“假设—证据—检验”（HET）工作流，显式验证传播一致的解释，并将起始异常与被放大的下游症状区分开来。最后，自进化机制刷新分层故障记忆，并利用高置信度伪标签执行保守的测试时自适应，以在漂移下保持鲁棒性。