意图引擎：计算连续体中意图驱动编排的自然语言意图翻译

计算连续体中的微服务放置是由底层服务级别目标 (SLO) 驱动的，但要求用户指定指标级别的约束会造成采用障碍并增加错误配置风险。尽管 大语言模型 (LLM) 可以解释自然语言意图，但由于不受支持的约束、与基础设施状态不符的取值和架构违规，直接生成编排消耗的 SLO 工件仍然不可靠。这些错误可能会传播到下游布局逻辑并产生不可行或不正确的布局。本文介绍了 Intent Engine，这是一种自然语言意图翻译架构，可为计算连续体服务放置构建经过验证的 SLO 工件。意图引擎充当现有意图驱动编排和放置框架的意图获取和SLO构建层；它不执行布局或运行时 QoS 优化。该架构结合了模式约束提取、基于受监控基础设施状态的基于检索的值构造，以及在发出最终 SLO 工件之前针对支持的约束进行的验证。我们使用源自边缘云测试床的 716 条记录意图到 SLO 数据集来评估意图引擎，包括有效和无效意图。在 GPT-4.1 mini、Claude Sonnet 4.5 和 DeepSeek V4-Flash 中，意图引擎的性能优于提示基线和非 LLM 基于规则的解析器。使用 GPT-4.1 mini，它的总 F1 分数达到 0.941，并将总幻觉减少 85.1%，同时将下游放置失败从 30.8% 降低到 2.1%。