GALA: Can Graph-Augmented Large Language Model Agentic Workflows Elevate Root Cause Analysis?

GALA论文总结与关键部分翻译

一、文章主要内容

本文聚焦微服务系统中的根本原因分析（RCA）难题，提出了名为GALA（Graph-Augmented Large Language Model Agentic Workflow）的多模态框架，旨在解决传统RCA方法在处理多源遥测数据（指标、日志、追踪数据）时存在的局限性，实现更精准的故障定位与可落地的故障修复指导。

1. 研究背景与问题

• 微服务架构因可扩展性、可维护性等优势被广泛应用，但服务间依赖复杂，故障传播路径难追踪，给RCA带来挑战。
• 传统RCA方法存在明显不足：多基于单一数据模态或静态启发式规则，无法捕捉动态故障（如特定API序列触发的内存泄漏）；多模态方法常将异构数据压缩为统一表示，丢失模态特有关键信息；多数方法仅对可疑服务排序，缺乏故障解释与修复指导。
• 大语言模型（LLM）虽在复杂推理任务中展现潜力，但应用于RCA时面临多模态遥测数据处理、因果推理一致性维护、故障排序与修复指导兼顾的难题。

2. GALA框架核心设计

GALA框架包含四个关键阶段，形成从数据输入到故障修复指导输出的完整流程：

• 初始假设生成阶段：结合基于指标的因果推理（通过因果结构学习算法构建有向无环图，利用PageRank等算法生成服务排序）与基于追踪数据的TWIST（Trace-based Weighted Impact Scoring & Thre