10:36arXiv cs.AI@Anastasiia Kuvshinova, Seungmin Jin精选本文提出Graph Traversal Agent,一种结合LLM推理与确定性图操作的根因分析代理,用于诊断Kubernetes事件。该方法通过类型化证据图、LangGraph状态机和独立验证阶段,确保分析结果可审计且不依赖场景捷径。在ITBench基准测试中,系统在23个场景子集上根因实体F1从0.6087提升至0.9130,但消融实验显示部分提升源于提示词优化,去除提示后F1降至0.6958。研究强调,真正的泛化能力需通过提示消融、级联源检查等轻量级验证来区分。目前工作限于ITBench OpenTelemetry-demo快照,未声称生产就绪。论文Kubernetes根因分析LLM代理图遍历可审计AI推荐理由:Kubernetes运维团队终于有了一个可审计的根因分析方案——Graph Traversal Agent通过图约束和独立验证,避免了LLM常见的幻觉和场景作弊。做K8s可观测性或事件诊断的开发者,值得看看这个结合图遍历与LLM的框架设计。原文
12:36arXiv: DeepSeek@Andrey Kozachok, Anatoliy Bakaev, Aleksandr Kozachok, Shamil Magomedov, Artem Noev精选该论文提出一种名为“上下文工具数据蒸馏”的方法,专门用于让小语言模型(SLM,参数最多 4B)生成 Kubernetes YAML 等 DSL 工件。方法通过合成生成和反向指令生成构建语料,并仅将通过外部验证器且匹配领域上下文的样本加入训练。在资源受限条件下,使用 DeepSeek-V4 Flash 作为教师模型,微调 Qwen2.5-Coder-1.5B-Instruct,在 K8s-Distill-Pilot 数据集上达到 91.5% 的完全通过率。关键发现是:输出格式的严格约束比增加训练样本数对结果质量影响更大。论文Kubernetes小语言模型数据蒸馏YAML 生成DeepSeek推荐理由:K8s 运维和平台工程团队终于有了一个轻量级方案来生成 YAML 清单——1.5B 模型就能跑出 91.5% 的通过率,做基础设施自动化的开发者可以直接参考其数据蒸馏思路。原文