华为GTS让Agent学会「看着网络排障」，双防火墙难题几乎全拿下
内容提要
华为团队提出NetCanvas，通过可交互视觉拓扑为AI Agent提供外部工作记忆，解决纯文本模型在复杂网络排障中的拓扑失忆问题。Agent可边查边长动态拓扑图，并按网工习惯布局。在CTBench上，任务通过率从30.3%升至54.5%，复杂子任务从约10%升至约90%，Token成本最高降低45%。
延伸解读
从“拓扑失忆”看AI排障的认知瓶颈
文章指出，纯文本Agent在复杂网络排障中面临“拓扑失忆”：随着排障深入，局部观测增多，但整体空间关系在长上下文中逐渐坍塌。这导致Agent即使推理能力在线，也会在真实多设备、多路径场景中绕弯、重复探查。华为GTS团队将这一现象归因于缺乏外部工作记忆，并类比人类工程师依赖图纸进行认知卸载。这提醒我们，AI在专业领域的落地，不仅取决于模型本身，还取决于外围系统如何呈现真实世界的结构。
NetCanvas如何为Agent构建“活地图”
NetCanvas的核心是提供可交互视觉拓扑，而非静态截图。它通过三招实现：一是边查边长，Agent每执行一次CLI探查，新发现的设备、链路和路径证据就实时合并到图中，拓扑随排障进度动态生长；二是按需取景与推理交互，Agent可切换全局/局部视图、高亮焦点节点，甚至用颜色标记通断来记录假设；三是按网工习惯布局，符合人类认知习惯的领域布局能显著提升排障成功率。这套机制让Agent能“看着网络排障”，将空间关系外化为可操作的结构。
CTBench验证：准确率与成本的双重改善
在公开基准CTBench上，NetCanvas将Agent综合通过率从30.3%提升至54.5%，若带有物理连线先验可达63.6%。在双防火墙、ECMP等复杂子任务中，通过率从约10%跃升至约90%。逐题比对纯文本方案，NetCanvas取得16胜0负50平，无退化。同时，平均探查步数从159步降至113步，按每解对一题摊算，Token试错成本下降26%至45%。这些数据表明，引入外部视觉记忆不仅提升准确性，还通过减少盲目试错降低了成本。
对专业Agent落地的启示
NetCanvas的实践揭示，专业Agent走向现网落地，模型的理解能力固然重要，但外围系统如何为它呈现真实世界，才真正决定其战斗力。对于IP网络这种由拓扑、路径、协议动态交织的复杂系统，将海量日志压入Token会导致认知超载。Agent需要一套能持续演化的“延展工作记忆”，通过认知卸载建立全局观。这为其他复杂运维场景提供了思路：与其硬写专家经验进Prompt，不如将专家的工作方式工程化为Agent可感知、可交互的系统能力。
Q&A
华为GTS提出的NetCanvas是什么？它解决了什么问题？
NetCanvas是华为GTS团队提出的一种可交互视觉拓扑机制，为AI Agent提供外部工作记忆，解决纯文本模型在复杂网络排障中的“拓扑失忆”问题。
什么是拓扑失忆？为什么纯文本Agent在排障时会迷路？
拓扑失忆指排障越深入，局部观测增多，但整体空间关系逐渐丢失。纯文本Agent面对一维CLI，每步都要从碎片日志中重新脑补网络拓扑，上下文越长，空间关系越易坍塌，导致迷路。
NetCanvas通过哪三招让Agent学会“看着网络排障”？
三招包括：边查边长（动态生长），实时合并新发现的设备、链路与路径证据；按需取景与推理交互，Agent可切换视图、高亮节点、改变连线颜色记录假设；按网工习惯画图（认知对齐），使用符合人类工程师认知的领域布局。
NetCanvas在CTBench上的效果如何？有哪些具体提升？
在CTBench上，NetCanvas将Agent综合通过率从30.3%提升至54.5%（带物理连线先验可达63.6%），复杂子任务（如双防火墙、ECMP）从约10%跃升至约90%。逐题比对无退化（16胜0负50平），平均探查步数从159步降至113步，Token试错成本下降26%到45%。
NetCanvas如何降低大模型的Token成本？
NetCanvas通过提高准确率、减少盲目绕路，使Agent平均探查步数从159步降至113步，按每解对一题摊算，Token试错成本下降26%到45%。
NetCanvas的设计理念是什么？它如何体现“认知卸载”？
设计理念是将专家的工作方式写进Agent系统，让模型负责思考决策，NetCanvas负责记路与画图。通过可交互视觉拓扑作为外部工作记忆，Agent能像人类使用纸笔一样进行认知卸载，避免在长文本中硬扛空间关系。
