利用已解决的事件历史记录进行 LLM 辅助软件错误诊断

有效的软件错误诊断需要两个要素：正确的知识源（操作故障历史记录，而不仅仅是系统文档）和正确的检索结构（结构化记录，而不是非结构化块）。当前的检索增强生成（RAG）方法在一个或两个维度上都存在不足。我们提出了操作内存 RAG (OM-RAG)，它将解决的问题索引为结构化症状-根本原因-解决三元组，并通过单跳嵌入检索最相似的历史先例。 OM-RAG 为专门构建的 大语言模型 (LLM) 管理员提供支持，该管理员已操作生产 Dataverse 实例超过六个月，利用系统自身已解决的故障历史记录来操作监控-分析-计划-执行-知识 (MAPE-K) 反馈循环的知识组件。在受控的四配置消融中，基于 LLM 的判断涵盖了所有 1,172 个问题，并手动验证了 123 个问题子集。 OM-RAG 的诊断准确性为 0.931，修复正确性为 0.809，优于基于块的检索 (+186%) 和基于文档的概念图 (+77%)。无模型检索指标（平均相似度 0.880）独立证实了排名。