Causely：面向企业AI的因果智能层——SRE与可靠性工作流的基准研究

部署到SRE工作流中的AI智能体目前是在查询时从原始可观测性遥测数据中获得对环境状态的理解，需要在token、延迟和推理可靠性上付出语义解释代价。我们提出Causely，一个因果智能层，它维护环境拓扑、属性依赖和因果关系的结构化表示，并将其锚定在被管理环境的本体表示上。Causely将原始遥测数据转化为一个实时、可查询的模型，为AI智能体提供在生产环境中进行诊断、评估影响并安全行动所需的语义与因果基础。我们通过一项基准研究来评估这一价值主张，该研究在受控环境中向一个24微服务的OpenTelemetry演示应用注入故障。我们的实验比较了四种智能体配置（Claude Code、OpenAI Codex，以及分别以Sonnet和Gemini为后端的HolmesGPT）。实验在两种场景下分别在有和没有Causely的情况下运行：活跃故障场景和健康基线场景。在活跃故障场景下，因果锚定使平均诊断时间缩短63%，平均token消耗减少60%，平均工具调用次数减少78%，将调查足迹压缩4.8倍，并将每次运行的直接API成本降低57%；根因诊断准确率从75%提升到100%。