Knowledge Graph as context for LLMs…

Команда продукта Grafana Labs воспроизвела свой настоящий инцидент как контролируемый опыт и по 16 раз дала агенту на языковой модели найти причину. В одном варианте у агента была карта связей между сервисами, инфраструктурой и базами, в другом только сырая телеметрия. Автор — Sarah Constant, опубликовано 19 августа 2026 года.

Что внутри

Три провала автоматического поиска причины, описанные на живых случаях. Чем дальше причина от оповещения, тем чаще ошибка. Модель скорее выдумает ответ, чем признает, что данных нет. Один и тот же вопрос даёт разные ответы от прогона к прогону. Дальше два измерения. На инциденте, где причина лежала за три шага от оповещения, агент с картой связей нашёл её в 15 прогонах из 16, без карты в 1 из 16, при вдвое меньшем числе запросов к телеметрии. На втором инциденте, где причину называла одна строка лога, карта не помогла и не помешала: 8 из 16 против 7 из 16. Отдельно посчитана стоимость по 553 парам рабочих расследований: с картой дешевле в 72 % пар, а после доработки агента ещё и быстрее в медиане на 36 секунд.

Кому пригодится

Тому, кто ведёт практику управления проблемами и спорит с руководством о бюджете на базу конфигураций, и тому, кто выбирает систему с обещанием «ИИ найдёт причину сам». Статья даёт числа для первого спора и вопросы для второго.

На что обратить внимание

Это блог поставщика, который продаёт описанную карту связей, и это один инцидент, выбранный потому, что должен был подойти карте. Авторы говорят об этом сами и перечисляют, чего не знают: как метод поведёт себя на длинных цепочках, не заякорит ли агента на ложном факте и почему ответы не сходятся от прогона к прогону. Числа из статьи годятся как аргумент, а не как отраслевая норма.

Что читать рядом

Наша статья про анализ корневых причин переносит эксперимент на практику управления проблемами: что должно лежать на столе до начала расследования и что спрашивать у поставщика. Сама практика разобрана в разборе управления проблемами.