什么是网络运维Copilot？

什么是网络运维Copilot？

网络运维Copilot是iMaster NCE面向企业园区推出的一款基于自然语言处理和AI算法的对话式智能运维助手，旨在提升网络运维效率并降低运维门槛。基于海量运维数据，融合了丰富的专家知识和AI算法，在缺少专家指导的情况下，快速地定位故障并提供解决方案，帮助用户更加快速地解决故障。

交互式运维：网络运维Copilot覆盖数字看网、用户排障、应用保障等高频场景，支持通过自然语言对话进行网络运维操作。用户输入问题（如“用户下载慢，请定位原因”）后，网络运维Copilot自动解析意图并与iMaster NCE其他功能联动，获取用户漫游轨迹、网络质量、设备状态等数据，快速定位故障（如AP信道冲突），并推送解决方案（如调整频段和优化功率）。示例如下：

1. 询问Aico“今天哪些用户网络体验差？”，Aico进行深度思考后，给出了四个体验评分用户低的用户。
   
   网络运维Copilot对话展示
2. 接着询问Aico“导致第一位用户网络体验差的原因是什么？”，Aico联动用户体验地图，定位到该用户所在的AP位置并识别网络问题。用户可在用户体验视图中查看详情，并根据可能原因进行故障修复。
   
   网络运维Copilot对话展示

为什么需要网络运维Copilot？

网络运维Copilot的出现主要源于传统网络运维模式在数字化转型背景下的局限性。以下是其必要性的核心原因：

1. 传统运维模式的效率瓶颈：传统运维需依赖人工在多个系统界面（如用户旅程、AP对象管理器、无线问题分析等）中逐项检查状态信息，处理单个报障耗时较长。同时，排障过程需综合分析多维度数据才能判断根因，导致响应速度受限。
2. 运维资源与人力的不足：网络规模和复杂度提升，对运维人员的要求逐步提升，排障效率高度依赖工程师经验。
3. 主动运维与智能化转型需求：通过网络运维Copilot，可实现从“被动响应”到“主动预防”的转变。其基于自然语言处理和AI算法，整合专家知识与大数据分析能力，支持对话式交互快速定位故障，降低运维门槛，提升7×24小时自动化处理能力。

综上，网络运维Copilot顺应网络运维智能化转型的节奏，通过智能化手段解决了传统运维效率低的问题、降低了运维人员门槛，成为支撑数字化转型时代网络高质量运行的关键工具。

网络运维Copilot是如何工作的？

网络运维Copilot运用了大模型强大的自然语言理解与对话生成能力，但大模型原生的生成机制无法获取或反映运维系统的实时状态。因此，仅依赖大模型本身难以准确回答涉及网络状态、设备性能、故障告警等动态信息的查询。为实现真正可用的自然语言交互式运维，网络运维Copilot结合了大模型的工具调用（Tool Calling）能力，将用户的自然语言请求转化为对运维工具或API的精准调用，从而获取实时数据，并在此基础上生成准确的响应。基于大模型构建智能化对话式运维系统，核心解决了以下四个关键环节：用户意图理解、工具选择、工具参数提取和应答生成。

• 用户意图理解：用户意图理解是对话式运维的起点，其核心任务是准确识别用户请求是否涉及对运维系统状态的查询、操作或故障排查。对于此类请求，系统触发工具调用流程，以获取实时数据或执行相应动作。其次，在多轮对话场景中，用户意图往往具有上下文依赖性和动态演化性。系统结合对话历史，持续跟踪和更新对话状态，准确识别指代消解、意图延续或切换，避免因上下文缺失导致误判。
• 工具选择：在确认需要调用工具后，系统从庞大的运维工具集中高效筛选出最相关的候选工具。具体包括两个关键目标：
  1. 缩小候选范围：通过预定义的工具元信息（如功能描述、适用场景等）进行初步过滤，减少送入大模型上下文的工具数量，提升推理效率与准确性；
  2. 准确选择所需的工具：根据候选工具和用户需求，选择有效相关的工具。

• 工具参数提取：用户表达的意图常存在不同程度的模糊性，网络运维Copilot借助大语言模型与辅助技术，将模糊自然语言映射为工具所需的结构化参数。
  1. 指标表达模糊：如用户说“查一下流量”，实际在系统中可能对应“上行流量”“下行流量”“总吞吐量”等多个精确枚举指标；
  2. 命名实体模糊：用户可能使用简称、别名或口语化表达，如“老图书馆AP”“东区核心”等，需映射到系统中的标准设备名称或区域编码；
  3. 时间表达模糊：如“最近”、“刚刚”、“早上”等相对时间表述，需结合当前系统时间转换为精确的时间窗口（如“过去5分钟”“08:00–09:00”）。针对上述问题，可通过系统实体标准化匹配、时间表达解析器、同义词映射表等关键技术实现自动化对齐，提升参数提取的鲁棒性与准确性。
• 应答生成：完成工具调用与参数填充后，系统将工具返回的结构化结果（如设备状态、性能指标、告警日志）注入大模型的提示（Prompt）中。此时，大模型在掌握实时运维状态的基础上，结合其强大的语言生成能力，可生成自然、准确且具备上下文连贯性的回答。

大模型工具调用技术原理图