近期，云智慧 AI SRE 实验室公布了一项测试结果：在香港中文大学与中山大学团队提出的公开 RCA 基准 Cloud-OpsBench 上， Castrel AI 的新一代 RCA Studio 完成 Train-Ticket 系统全量 204 个故障场景测试，综合根因命中率达到 82.8%，较基线63%的准确率提高了 19 个百分点。
这不是一次实验室里的静态模拟。 Cloud-OpsBench 由香港中文大学吕荣聪（Michael R. Lyu）教授团队和中山大学研究者共同提出，覆盖 2 个微服务系统、57 种故障类型、共 754 个 Case，是目前 Agentic Root Cause Analysis 领域规模较大、评估维度较完整的公开学术基准，实验数据均来自真实运行的应用系统数据快照。
这一结果的背后，是 RCA Studio 对根因分析方式的一次重构
在原有假设驱动诊断能力之上引入因果引擎，让 RCA Agent 不再停留于罗列“可能原因”，而是主动调查故障现场、沿因果关系验证根因，向 SRE 团队交付有证据、有边界、可行动的诊断结果——让根因分析从“可能”走向“可验证”。
01 从“可能原因”到“可验证结论”：一场银行故障的完整复盘
某大型银行的一项关键业务，响应时间毫无征兆地从 50 毫秒恶化到 30 秒。短暂恢复十几分钟后，故障再次出现。
应用团队看到链路上的报错，平台团队查到 Pod 在重启，网络团队也发现了异常信号——是流量压垮了服务？是 Pod 重启断了连接？还是网络链路在抖？
每个团队都有自己的证据，却没人能证明故障究竟从哪里开始。时间消耗在重复查询和相互排除上，业务影响却在持续扩大。
这就是 RCA Studio 接手这场调查时的现场：不是没有方向，而是方向太多。
它将如何化解这场困境？
RCA Studio 接入现场已有的告警与可观测数据，从多个假设同时展开调查：检查流量与资源状态，验证 Pod 和服务健康度，对齐应用错误与网络事件的时间窗口。
没有证据支持的方向被逐一排除，调查焦点持续收窄。最终，零散信号指向同一区域——数据中心网络路径。
但 RCA Studio 没有把“高度相关”包装成“已经确认”。当时的数据能够支持网络故障域判断，却缺少物理交换机端口统计、STP 事件和数据包级证据，尚不足以独立确认物理层根因。RCA Studio 给出了当前结论，同时清楚标注了证据边界和下一步需要补查的方向。
现场网络团队随即检查交换机，最终确认广播风暴，并在完成故障隔离后恢复业务。
从大量跨域异常，到网络故障域，再到交换机侧的最终确认，RCA Studio 像一名参与战情室的数字专家，让工程师第一次沿着同一条证据链行动：排除没有证据的方向，聚焦被数据支撑的故障域，标注观测边界，并给出下一步排查的建议。
02 因果调查，让 AI 推理接受证据约束
早期版本的 RCA Studio 采用“提出假设—调用工具—验证假设”的固定循环，为复杂调查建立了结构，但也存在明显问题：
-
关键证据已经出现时，Agent 仍可能继续生成多余假设；
-
不同假设重复查询同一批数据；
-
当故障超出预设模式，调查容易在多个“合理猜测”之间徘徊。
新版本引入的因果引擎，将发现、推断和验证重构为能够动态组合的推理机制。
它把模型推理放进一套工程化约束里：
-
经验可以帮助搜索，但不能冒充证据；
-
假设可以灵活产生，但必须接受验证；
-
AI 可以生成结论，但每一步都被人检查和追溯。
在这套约束下，推理按照一条清晰的链路推进。
第一步，理解多源信号，建立故障上下文。
从告警出发，结合资源状态、配置、日志、指标与服务依赖关系，判断异常之间究竟是因果关系、传播关系，还是时间上的巧合。不做这一步，后续所有假设都是建立在单点异常上的孤立猜测。
第二步，调用历史经验，生成初始假设。
在首次生成假设前，检索历史故障模式，将组织积累的案例转化为调查线索。历史经验的价值是缩小搜索范围，但最终结论必须由现场证据验证，不能由经验直接给出。
第三步，让多个假设共享上下文、协同收敛。
发现、推断与验证不是一条固定流水线。多个假设共享已发现的线索，共性问题合并调查，需要深入的方向交由专门 Agent 继续验证，减少重复查询和无效探索。
第四步，用证据更新故障拓扑。
每一个确认或排除的假设，都绑定真实工具返回的证据。随着调查推进，系统持续更新故障拓扑，把异常对象、依赖关系、传播方向和根因机制连接起来。
第五步，交付能够直接行动的结果。
假设完成收敛后，RCA Studio 输出根因对象、故障机制、证据摘要、影响链路与处置建议，并生成可供工程师复核的根因报告和故障路径。
03 公开基准验证：82.8% 根因命中率，较基线提升 19 个百分点
这一结果，是在公开基准 Cloud-OpsBench 上，通过一套严格的测试方法与评分口径得出的。
本次测试选取 Cloud-OpsBench 中 Train-Ticket 的全量 204 个 Case，覆盖启动失败、运行时故障、服务路由和性能劣化四类典型故障，并采用 JRA（Joint RCA Accuracy）衡量最直观的根因结果：
只有 RCA Studio 明确确认的首要结论，同时命中故障对象与根因机制，该 Case 才计为正确；只定位到异常组件、只给出尚未确认的候选原因，或根因机制判断错误，均不计入命中。
本次测试的基线，为 Cloud-OpsBench 内置的 RCA Agent。RCA Studio 与它使用相同的 Deepseek-V4-Flash 模型，完成相同的 204 个 Case。
在相同条件下，基线命中率为 63%，RCA Studio 的综合根因命中率达到 82.8%，提高 19 个百分点，达到生产使用水平。
其中 169 个准确命中故障对象与根因机制，Startup 类场景实现 100% 命中。这一差距完全来自调查框架本身，而非底层模型。
04 不替换现有系统，接入即可启动
企业引入新的智能运维能力，最担心的往往不是产品有没有价值，而是落地要付出多大代价：
-
是否需要重建监控体系？
-
是否要迁移数据？
-
是否会打断各专业团队已经形成的工作方式？
RCA Studio 不替换企业现有的监控、日志、APM、告警或 ITSM 系统，接入已有数据与工具接口就能开始工作。
它在现有体系之上充当“故障调查大脑”：理解告警、选择调查路径、调用已有工具获取证据、连接跨域线索，并持续输出能够支持团队判断和行动的分析结果。
接入范围也可以根据企业实际条件逐步扩展。已有数据越完整，RCA Studio 能够验证的因果链就越深入；而暂时没有覆盖的数据，则会作为观测边界明确呈现。
企业可以从当前的数据基础出发，先启动场景验证，再逐步扩展能力边界，让已有工具获得一个能够组织数据、验证因果和推动协作的智能大脑。
05 让复杂数字系统，拥有理解自身并持续进化的能力
随着 AI 从辅助工具走向能够承担任务的 Agent，企业运维正在从“人寻找数据、解释异常”走向“AI 组织数据、验证因果、协同执行”的 AI SRE 新模式——
让AI 深入可观测、告警、事件、诊断、处置、复盘和知识运营的完整链路，在企业已有系统之上形成一个能够持续感知、推理和进化的智能运维大脑。
RCA Studio 的此次升级，正是 Castrel AI向这一完整链路迈出的重要一步。它将持续带来三个方面的价值：
-
更高效率：AI 承担海量信息收集、跨域关联与重复调查，把专家时间交还给更关键的判断与决策。
-
更优成本：激活既有数据与工具的价值，减少系统割裂、重复建设以及高度依赖少数专家带来的隐性投入。
-
更强稳定性：把故障发现、根因定位、处置协同与经验沉淀连接起来，让每一次事件都转化为下一次更快响应、更少影响的能力积累。
云智慧 Castrel AI，与企业共同构建这一代 AI SRE，让复杂数字系统理解自身、应对故障、持续进化。
联系方式：400-666-1332
