PASE框架：用神经符号世界模型验证LLM生成的云故障恢复计划

随着基于云的AI系统规模和复杂性持续增长，通过快速故障检测和自适应恢复确保服务可靠性已成为关键挑战。现有方法虽然整合了大型语言模型（LLM）进行语义理解和深度强化学习（DRL）进行策略优化，但通常采用顺序、松散耦合的架构，未能充分利用LLM的生成和推理能力。

研究团队提出PASE框架，这是一种规划感知的语义自愈引擎，将故障恢复重新概念化为神经符号程序合成任务。该框架采用LLM作为核心计划合成引擎，从语义原语库中生成结构化恢复计划。神经符号世界模型通过模拟验证计划可行性，而通过DRL训练的元提示优化器则学习生成最优提示来指导LLM的规划过程。

这种紧密的“推理-规划-验证-适应”循环支持动态、上下文感知的恢复策略生成，超越了预定义的动作空间。在真实世界云故障注入数据集上的实验表明，PASE显著优于现有方法，将平均系统恢复时间减少40%以上，并在未知故障场景中提高了故障检测准确率。该框架通过将基于LLM的推理与模型辅助验证和元学习指导相统一，推动了自主系统管理的发展。