Agentic Router：以执行为依据、带记忆的持续学习方法

大语言模型（LLM）智能体为基于命令行的网络运维提供了有前景的接口，但一条看似合理的命令在执行后仍可能失败或引入运维风险。现有方法主要关注命令生成或最终配置的正确性，没有利用以执行为依据的经验来同时改进候选覆盖与动作选择。我们提出一个面向基于 CLI 的 SONiC 运维、以执行为依据的双路径后果感知智能体：它生成多个完整动作，预测它们的执行后果，并通过兼顾效用与风险的重排序选择最终动作。提案侧路径将可复用的运维经验抽象为可检索的指导，在不修改提案 LLM 的情况下提升可行动作覆盖；选择侧路径利用真实 SSH 反馈、通过会话级 LoRA 更新来适配后果预测器，以提升条件选择质量。在采用不同 Qwen3 提案模型的多轮 SONiC 运维会话上的实验表明，该框架提升了可行动作覆盖和 top-1 执行成功率，且两条适配路径在交互过程中带来互补收益。