AgenticTwin：融合数字孪生的Agentic LLM异常检测框架

数字孪生正被越来越多地用于监控和模拟信息物理系统的行为。即使有熟练的操作员，解读数字孪生管道中检测到的异常仍然具有挑战性，因为原始传感器数据的复杂性和数量使得彻底分析变得困难。大语言模型（LLM）的最新进展为推理和解释提供了有价值的能力，但它们与数字孪生驱动的异常分析的集成仍探索不足。在本工作中，我们提出AgenticTwin，一个将LLM驱动的推理与基于数字孪生的异常检测管道相集成的agentic框架。该框架将LLM生成的解释建立在数字孪生驱动的异常分类器的输出之上，并使人类操作员能够就系统提出相关的自然语言问题。除框架本身之外，我们还构建了一个面向基准的评估管道，其上向真实世界的气象传感器数据集注入合成异常，从而支持对异常事件的操作员查询进行受控生成。我们进一步评估了部署轻量级开源LLM用于实际信息物理环境的可行性。实验结果表明，结构化的智能体协作和知识锚定的推理在多种可能的异常场景中提升了诊断质量、上下文检索和缓解质量。