هناك وجهة نظر متزايدة بين مهندسي القابلية للملاحظة ترى أن القدرة المنطقية لنماذج اللغة الكبيرة لم تعد تمثل عنق الزجاجة في تحليل السبب الجذري بمساعدة الذكاء الاصطناعي، وأن المشكلة الأصعب تكمن الآن في المسار الذي يحدد البيانات التي تصل إلى النموذج.
بالنسبة للفرق التي تضيف ماجستير إدارة الأعمال إلى الاستجابة للحوادث، فإن الفكرة العملية هي أن الجهد المبذول في إعداد السياق قد يؤتي ثماره أكثر من مجرد الوصول إلى نموذج أكبر.
تنقسم معظم جهود AI RCA إلى معسكرين. تقوم التصميمات المستندة إلى الوكيل بتسليم أدوات النموذج والسماح لها بالتحقيق واختيار القياس عن بعد الذي تريد إحضاره حسب الأسباب. تربط التصميمات الحتمية الإشارات مقدمًا وتمنح النموذج سياقًا واحدًا مُجهزًا. يعكس عمل كوروت تحولًا أوسع في الصناعة نحو هذا المعسكر الثاني: يعتمد الذكاء الاصطناعي لديفيز من Dynatrace أيضًا على التحليل السببي الحتمي القائم على الطوبولوجيا، ويجتاز خريطة التبعية في الوقت الفعلي لتحديد السبب الجذري بدلاً من تحويل ماجستير إدارة الأعمال إلى حلقة وكيل مفتوحة النهاية. يختلف النهجان بطرق مختلفة، مما يجعل من الصعب معرفة ما إذا كان التشخيص الفاشل قد جاء من تفكير ضعيف أو من أداة غذت النموذج بالأدلة الخاطئة.
تحاول الأبحاث الحديثة التي أجراها مورد إمكانية المراقبة Coroot الفصل بين هذين المتغيرين. في بحثه الأصلي، قام المهندس نيكولاي سيفكو بتقسيم RCA الحاصل على ماجستير في القانون إلى وظيفتين: التفكير في البيانات الموجودة أمامه، والأداة التي تقرر البيانات التي تصل إلى النموذج وبأي شكل. وجادل بأنه “هل يستطيع الذكاء الاصطناعي القيام بتحليل السبب الجذري؟” هو سؤال خاطئ، لأن الوظيفتين يجب قياسهما بشكل منفصل.
يربط مسار كوروت الإشارات بالنتائج ويمررها إلى النموذج في سياق واحد مركّز بدون حلقة وكيل، مما يسمح بإلقاء اللوم على الإجابة الخاطئة على النموذج بدلاً من الأدلة المفقودة. لاختبار ذلك، قام Sivko ببناء سيناريو واحد: تجربة Chaos Mesh NetworkChaos التي تحقن التأخير بين خدمة الكتالوج وقاعدة بيانات Postgres الخاصة بها، مما يؤدي إلى إبطاء الاستعلامات ودفع الواجهة الأمامية إلى أخطاء 502. يتضمن السياق إشارات مضللة عمدًا، بما في ذلك توقيت الاستعلام الذي يتم تضخيمه بواسطة وقت ذهاب وإياب الشبكة. ثم قام بعد ذلك بتشغيل نفس الموجه، حوالي 9800 رمزًا، على أحد عشر نموذجًا، يسأل كل منها عن السبب الجذري، وسلسلة السبب والنتيجة، والإصلاح الفوري.
نجحت نماذج الحدود المغلقة Claude Opus 4.8 وGPT-5.5 وGemini 3.1 Pro في تسمية التجربة والإشارة إلى الحاجة إلى حذفها وحذف جدولها الزمني. حافظت النماذج الأكبر حجمًا ذات الوزن المفتوح على سرعتها في الغالب. في الأسفل، كان Gemma 4 31B هو النموذج الوحيد الذي يمكن استضافته ذاتيًا لتحديد السبب الجذري، في حين أن الطرازين الأكبر Qwen3.6 35B وQwen3 Coder Next لم يتعرفا عليه.
النتائج لا تحسم النقاش. تحتفظ الأساليب القائمة على الوكيل بميزة حقيقية، نظرًا لأن النموذج الذي يجلب بياناته الخاصة يمكن أن يسحب إشارات لم يتوقعها خط أنابيب ثابت أبدًا، وهو أمر مهم بالنسبة للحوادث الجديدة خارج مجموعة الارتباط المحددة مسبقًا. ومع ذلك، فهم يدفعون مقابل تلك المرونة في قابلية التشغيل. تصف حسابات ZenML وIncident.io تحقيقات LLM متعددة الوكلاء بأنها صعبة التصحيح في الإنتاج، لأن التشغيل الفاشل لا يترك أي أثر مكدس نظيف، فقط تفاعلات سريعة غير متوقعة وتنسيق طارئ بين الوكلاء. تدفع هذه الهشاشة العديد من الممارسين في الاتجاه الآخر: المهندسون الذين يناقشون المقايضة على موقع Reddit يقولون إنهم ألغوا التصميمات الوكيلة بالكامل لصالح سير عمل حتمي في الغالب مع خطوة LLM ضيقة، مشيرين إلى موثوقية أفضل وتكلفة رمزية أقل. تستبدل خطوط الأنابيب الحتمية بعضًا من تلك المرونة بالتكرار والتقييم الأنظف، وهذا هو السبب وراء تعامل الصناعة بشكل متزايد مع الحزام، وليس النموذج، باعتباره الجزء الأصعب من الذكاء الاصطناعي RCA.
وفيما يتعلق بالتكلفة، أشار سيفكو إلى أن المكالمة القصيرة الواحدة تكلف بضعة سنتات حتى في النماذج الرائدة، لأن عمل الارتباط يحدث قبل استدعاء النموذج. لقد رأى أن الجزء المنطقي من AI RCA “تم حله بشكل أساسي” وأن العمل الحقيقي الآن هو “إعداد السياق الصحيح والمدمج للنموذج قبل أن تسميه”، وهو الاستنتاج الذي يشير إلى الجولة التالية من الجهد الهندسي في الحزام بدلاً من النموذج. يعكس هذا الإطار دفعة أوسع حول هندسة السياق. تتقارب التوجيهات من Anthropic وLangChain، جنبًا إلى جنب مع بائع إمكانية الملاحظة Mezmo، على نفس الفكرة: أن تنظيم أصغر مجموعة من السياق المدمج عالي الإشارة أصبح الآن نظامًا أساسيًا لجعل التفكير القائم على LLM وقابلية الملاحظة موثوقين.
