Graph-Guided Agent Investigation

定义

Graph-Guided Agent Investigation 是用知识图谱、依赖图或 DAG 引导 Agent 调查复杂系统故障、证据链和根因路径的工程模式。它让 Agent 沿结构化关系探索，而不是在日志、指标和文档中自由漫游。

核心问题

企业 IT、工业资产和代码系统的故障通常不是单点文本问题，而是网络问题：服务依赖、调用链、事件传播、配置变更、代码路径和资产状态共同决定结果。

LLM 擅长解释和综合，但不擅长在大规模图结构中稳定、低成本地搜索。因此图引导调查把“找相关节点和路径”的工作交给图结构，把“解释这些证据意味着什么”的工作交给模型。

典型流程

告警 / 问题
  -> 图结构定位相关节点
  -> 收集局部证据
  -> LLM 解释候选根因
  -> 验证 / 追加查询 / 升级

价值

• 缩小搜索空间: 从全量日志和服务列表收缩到局部依赖子图。
• 保留证据链: 调查路径可以回溯到节点、边和观测数据。
• 降低幻觉: 模型不必凭语言猜测系统关系。
• 支持复用: 一次 incident 形成的路径和规则可反哺后续调查。

与 Knowledge Graph 的区别

Knowledge graph 是结构化事实层；graph-guided investigation 是使用这层事实指导 Agent 行动的工作流模式。

前者回答“系统里有什么关系”，后者回答“Agent 应该沿哪些关系调查”。

关键数据点

• IBM Instana I3 / IT incident investigation 使用知识图谱、程序分析和 observability 驱动 orchestration。
• 在 ITBench 上，I3 agent 相比 ReAct agent with GPT-5.1 最高提升 4 倍。
• IBM 文章还称，代码分析和 bug 修复 agent 在定位 culpable microservice 与 bug repair 上优于 state-of-the-art coding agent，并显著降低 token。
• Maximo Condition Insights 用 DAG、结构化证据和验证循环处理工业资产维护，内部 pilot 将资产分析时间从 15-20 分钟降到 15-30 秒。

前提与局限性

图结构不会自动保证正确。依赖图可能过期，观测数据可能缺失，边权也可能无法表达真实因果。因此图引导调查需要与重新采样、人工升级和反事实验证配合。

该模式最适合依赖关系明确、观测数据足够、证据链可结构化的环境。如果图谱长期不维护，Agent 只是沿着过期地图更快地走错路。

关联概念

• Agent-Logic — 图遍历是 agent logic 的重要组成。
• Local-Bounded-Reasoning — 图结构提供局部推理边界。
• ITBench — 企业 IT Agent 能力评估场景。
• Verifiable-Agent-Engineering — 图路径让调查过程更可观察和可复现。