دیدگاه جدیدی در میان مهندسان رصدپذیری (Observability) شکل گرفته است: توانایی استدلال مدلهای زبانی بزرگ (LLM) دیگر گلوگاه اصلی در تحلیل علت ریشهای (RCA) با کمک هوش مصنوعی نیست. چالش سختتر اکنون در خط لولهای نهفته است که تصمیم میگیرد چه دادههایی به مدل برسد.
تیمهایی که LLMها را به فرآیند پاسخ به حوادث (Incident Response) اضافه میکنند، متوجه شدهاند که تلاش برای آمادهسازی بستر (Context) بازده بسیار بیشتری نسبت به دسترسی به یک مدل بزرگتر دارد. بیشتر تلاشهای تحلیل علت ریشهای هوش مصنوعی به دو دسته کلی تقسیم میشوند. طراحی مبتنی بر عامل ابزارها را به مدل میسپارد و به آن اجازه میدهد در حین استدلال، با انتخاب اینکه چه دادههای تلهمتری را واکشی کند، تحقیق و بررسی کند. در مقابل، طراحیهای قطعی (Deterministic) سیگنالها را از پیش همبسته کرده و یک بستر آمادهشده واحد را به مدل ارائه میدهند.
رقابت دو رویکرد در عیبیابی سیستمها
کار شرکت Coroot بازتابدهنده تغییر گستردهای در صنعت به سمت رویکرد دوم است. به عنوان مثال، هوش مصنوعی Davis از شرکت Dynatrace نیز بر تحلیل علّی قطعی و مبتنی بر توپولوژی تکیه دارد و برای مشخص کردن علت ریشهای، به جای رها کردن یک LLM در یک حلقه عاملِ بیپایان، از یک نقشه وابستگی بلادرنگ عبور میکند.
این دو رویکرد به شکلهای متفاوتی دچار شکست میشوند. همین امر تشخیص اینکه آیا یک عیبیابی ناموفق ناشی از استدلال ضعیف بوده یا از یک چارچوب هدایتگر (Harness) که شواهد اشتباهی را به مدل تغذیه کرده است، را دشوار میسازد.
جداسازی استدلال از بستر در تحقیقات Coroot
تحقیقات اخیر Coroot تلاش میکند این دو متغیر را از هم جدا کند. مهندس این شرکت، نیکولای سیوکو (Nikolay Sivko)، تحلیل علت ریشهای با یک LLM را به دو کار مجزا تقسیم کرد: استدلال بر روی دادههای روبهرویش، و چارچوب هدایتگری که تصمیم میگیرد چه دادههایی و به چه شکلی به مدل میرسد. او معتقد است پرسش «آیا هوش مصنوعی میتواند تحلیل علت ریشهای انجام دهد؟» اشتباه است، زیرا این دو کار باید به طور جداگانه ارزیابی شوند.
خط لوله Coroot سیگنالها را به یافتههایی همبسته میکند و آنها را در یک بستر متمرکز و بدون حلقه عامل به مدل میرساند. این روش باعث میشود پاسخ اشتباه به جای سرزنب نبودن شواهد، مستقیماً به مدل نسبت داده شود.
سناریوی آزمایشی و نتایج مدلها
برای آزمایش این سیستم، سیوکو یک سناریو طراحی کرد: یک آزمایش Chaos Mesh NetworkChaos که تاخیری بین یک سرویس کاتالوگ و پایگاه داده Postgres آن تزریق میکرد و با کند کردن کوئریها، بخش فرانتاند را به خطاهای 502 سوق میداد. این بستر عمداً شامل سیگنالهای گمراهکنندهای بود، از جمله زمانبندیهای کوئری که با زمان رفت و برگشت شبکه افزایش یافته بودند.
سپس او یک پرامپت یکسان شامل حدود 9800 توکن را روی یازده مدل اجرا کرد و از هر یک خواست تا علت ریشهای، زنجیره علت و معلولی و راهحل فوری را ارائه دهد.
مدلهای مرزیِ بسته مانند Claude Opus 4.8، GPT-5.5 و Gemini 3.1 Pro همگی آزمایش را با موفقیت پشت سر گذاشتند و با نام بردن آزمایش، هشدار دادند که باید آزمایش و برنامهریزی آن هر دو حذف شوند. مدلهای بزرگتر با وزنهای باز نیز تا حد زیادی همگام ماندند. در ردههای پایینتر، Gemma 4 31B تنها مدل قابل میزبانی شخصی بود که علت ریشهای را شناسایی کرد، در حالی که مدلهای بزرگتر Qwen3.6 35B و Qwen3 Coder Next هرگز نتوانستند آن را تشخیص دهند.
بدهبستان انعطافپذیری و قابلیت اطمینان
این یافتهها به بحثهای موجود پایان نمیدهند. رویکردهای مبتنی بر عامل همچنان یک مزیت واقعی را حفظ میکنند. مدلی که دادههای خود را واکشی میکند میتواند سیگنالهایی را استخراج کند که یک خط لوله ثابت هرگز پیشبینی نکرده است. این موضوع برای حوادث جدید و خارج از مجموعه همبستگی از پیش تعریفشده اهمیت زیادی دارد.
با این حال، این انعطافپذیری به قیمت کاهش قابلیت بهرهبرداری تمام میشود. گزارشهایی از پلتفرمهایی مانند ZenML و Incident.io، تحقیقات چندعاملی LLM را به عنوان مواردی بهشدت دشوار برای دیباگ در محیط تولید توصیف میکنند. یک اجرای ناموفق هیچ رد پشته (Stack trace) تمیزی به جا نمیگذارد، بلکه تنها برهمکنشهای پیشبینینشده پرامپت و هماهنگیهای پدیدار بین عاملها را در پی دارد.
این شکنندگی بسیاری از متخصصان را به مسیر مقابل سوق میدهد. مهندسانی که در Reddit در مورد این بدهبستان بحث میکنند، گزارش میدهند که برای دستیابی به قابلیت اطمینان بالاتر و هزینه توکن کمتر، طراحیهای کاملاً عاملی را کنار گذاشته و به جای آن از گردشکارهای عمدتاً قطعی با یک گام محدودِ LLM استفاده میکنند. خطوط لوله قطعی مقداری از آن انعطافپذیری را با تکرارپذیری و ارزیابی دقیقتر معامله میکنند، که دلیل اصلی نگاه صنعت به چارچوب هدایتگر به عنوان سختترین بخش تحلیل علت ریشهای هوش مصنوعی است.
از نظر هزینهها، سیوکو اشاره میکند که یک فراخوانی کوتاه حتی روی مدلهای مرزی نیز تنها چند سنت هزینه دارد، زیرا کار همبستگی پیش از فراخوانی مدل انجام میشود. او بر این بافت است که بخش استدلال در تحلیل علت ریشهای هوش مصنوعی «اساساً حل شده» است و کار واقعی اکنون «آمادهسازی بستری درست و فشرده برای مدل پیش از فراخوانی آن» است. این نتیجهگیری، موج بعدی تلاشهای مهندسی را به سمت چارچوبهای هدایتگر و خطوط لوله دادهها سوق میدهد، جایی که آینده رصدپذیری مدرن نه در مدلهای هوشمندتر، بلکه در دادههای تمیزتری که به آنها تغذیه میشوند، نهفته باشد.
