Loom：通过嵌入空间重加权，将诊断线索编织为自由文本共识

在现实世界的工业环境中部署 NLP 系统时，将嘈杂、相互冲突的文本假设聚合成可靠的共识是一个基本挑战。虽然整体大语言模型 (LLM) 代理为根本原因分析 (RCA) 等任务提供无限的表达能力，但它们受到上下文限制、复合幻觉和令人望而却步的推理延迟的困扰。传统的弱监督提供了统计严谨性，但在数学上仅限于离散类别。我们提出了 Loom，一个为现实世界的 RCA 部署的生成共识框架，它连接了这些范式。 Loom 通过将模块化启发式（动态填充特定事件实体、时间和指标的诊断模板）发出的开放式假设投影到连续的嵌入空间中来聚合它们，并使用基于迭代质心的重新加权算法解决冲突信号。由此产生的共识权重基于单个轻量级 LLM 合成步骤。根据 OpenRCA 基准评估，Loom 占据了准确性-效率 Pareto 前沿：它与 Bank 和 Market-2 上最先进的自主代理相匹配，并在 Market-1 和 Telecom 上进行跟踪，同时在所有四个数据集上每个事件使用单个 LLM 调用（更快 $\sim$26$\times$；使用 8B 参数合成器 $\sim$33$\times$）。我们讨论了我们的部署经验，重点介绍了在代理深度和推理延迟之间的权衡、冗余检测的负面结果以及确定性共识如何促进主题专家（SME）之间的信任方面吸取的经验教训。