华为GTS AI算法团队针对文本Agent在IP承载网排障中的“拓扑失忆”问题，提出可交互视觉拓扑机制NetCanvas，在CTBench上把综合通过率从30.3%提升到54.5%，平均探查步数从159步降到113步。
AI解读：这条新闻的关键不是模型又变强了，而是华为GTS给Agent换了一种“记路”的方式。纯文本Agent能读日志、能推理，但在多设备、多路径、带防火墙的真实网络里，一旦排障步骤变多，它脑子里的网络空间关系就会散掉。团队把这种现象叫“拓扑失忆”。
NetCanvas的做法是给Agent一张会跟着排障进度一起长的拓扑图：每查一次CLI，新发现的设备和链路就合并进图里；Agent还能切换全局/局部视图、高亮焦点节点，甚至用不同颜色的连线标记自己的推断。它相当于把网工脑子里的“活地图”搬成了外部工作记忆。
最直接的结果写在CTBench上：综合通过率从30.3%升到54.5%，带物理连线先验可达63.6%；双防火墙、ECMP这类最依赖空间关系的子任务从约10%提升到约90%。平均探查步数从159步降到113步，按每解对一题摊算的token试错成本下降26%到45%，且逐题比对没有人任何一题退化。
真正干活的一线网工和运维团队是主要受众。过去这类Agent卡在复杂拓扑上，不是不会推理，而是每次都要从碎片日志里重新脑补网络长什么样；NetCanvas改掉的是这个前提。不过要注意，这套机制目前是在公开基准CTBench上验证的，落地到具体现网还需要看实际环境和集成条件。
华为GTS AI算法团队提出一种名为NetCanvas的可交互视觉拓扑机制，用于解决大模型Agent在IP承载网排障中的“拓扑失忆”问题。该消息来自量子位刊载的文章，作者为思邈，发布时间为2026年9月16日。
文章将“拓扑失忆”定义为：排障越深入，局部观测可能越来越多，整体的空间关系却在逐渐丢失。团队观察到，纯文本Agent能解析单条命令、单段回显，但进入多设备、多路径、带防火墙与ECMP的真实复杂拓扑后，就开始绕弯、重复探查，甚至在同一节点打转。
文章举了一个现网排障测试案例：Agent已经锁定了出问题的防火墙，却在这台设备上换了几十种查法，原地打转了三百多步，仍没找到根因。
NetCanvas的设计思路是给Agent配备一套可交互的“外部工作记忆”画布，让模型负责思考决策，NetCanvas负责记路与画图。文章称这不是给模型塞一张静态拓扑截图，而是让拓扑随排障过程动态生长。
验证在公开通信运维基准CTBench上进行。文章称，NetCanvas将Agent的综合通过率从30.3%提升至54.5%；若带有物理连线先验，可达63.6%。
在双防火墙、ECMP等高度依赖空间关系的复杂子任务中，文章称效果从约10%跃升至约90%。平均探查步数从159步降至113步；按“每解对一题”摊算，大模型Token试错成本下降26%到45%。
“三招”让Agent边看边推演
文章将NetCanvas的机制概括为三点。第一是“边查边长”：Agent每完成一次CLI探查，新发现的设备、链路与路径证据会被实时合并到当前图状态中，而不是开局就给一张全景图。
第二是“按需取景与推理交互”：Agent可以随时切换全局与局部视图，或高亮当前焦点节点；还能通过主动改变连线颜色（如用绿/红虚线标记通断），在图上直接记录自己的推理假设。
第三是“按网工习惯画图”：文章称研发团队在测试中发现，只要把机器生成的拓扑换成符合人类网络工程师认知习惯的“领域布局”，Agent的排障成功率就能实现大幅跃升。
逐题比对：16胜0负50平
文章给出NetCanvas与纯文本方案的逐题比对结果：16胜、0负、50平。文章称，多出来的16道是净增，没有拿别的题来换，也没有在任何一道题上出现能力退化。
文章还提到，团队将这套思路总结为：模型本身的理解能力固然重要，外围系统（Harness）如何为它呈现真实世界，才真正决定Agent最终的战斗力。对于IP网络这种由拓扑、路径、协议动态交织的系统，把海量日志生硬压进Token会导致认知超载。
文章末尾给出项目地址：github.com/caimanjing/netcanvas，以及CTBench地址：huggingface.co/datasets/netop/CTBench。