一个正在被越来越多可观测工程师接纳的判断是：大语言模型的推理能力，在AI辅助根因分析这个场景里，已经不再是第一位的瓶颈。真正的硬仗，移到了更上游——到底让哪些数据流进模型，以及怎么组织这些数据。这件事正悄悄改变一些团队往事故响应里塞AI的方式。

对于那些把LLM塞进事故响应流程的团队，当前最实在的建议是：花力气做上下文准备，很可能比再换一个更大的模型更有回报。与其不断升级模型参数规模来弥补推理盲区，不如在数据供给管道上多下功夫。

打开网易新闻 查看精彩图片

眼下AI根因分析的玩法大致分成两个流派。一类是智能体式设计，把工具交给模型，让它在推理过程中自己决定去拉哪些遥测信号，边走边查。另一类是确定性设计，先由上游系统把信号关联好，把一套整理过的上下文打包，再一次性喂给模型。前者给模型最大的探索自由度，但容易在多轮交互中发散；后者追求可控，但对前置的上下文工程要求高得多。

Coroot的实践路径，是行业朝向第二种方案倾斜的一个缩影。Dynatrace的Davis AI同样走的是确定性、基于拓扑的因果分析路子，它在实时依赖图谱里穿行，直接定位根因，而不是把LLM扔进一个没边界的智能体循环中自由发挥。这两种流派各有各的崩塌方式，这也使得把它们放在一起评估变得异常棘手。而在这种分裂里，越来越多团队意识到：别光盯着模型会不会推理，先看它能不能拿到对的数据。