100个符合RFC9315标准的流量整形意图，在Claude Sonnet-4.6身上跑出了几个亮眼的分数：0.98的语义相似度、1.0的语义单元覆盖、0.045的归一化编辑距离——这是Intent2Tc给出的实测成绩单。
原来的坑在哪？
意图网络（IBN）已经把网络策略的说明简化了不少，但有个要命的缺口：业务说的“要给视频流留够带宽”这种高层意图，怎么转成Linux系统里能直接跑的tc流量控制配置？这事儿到现在还是复杂、容易出错，还没法完全自动化。每次业务改需求，运维得手动翻文档转配置，稍不留神就出问题，效率低还坑人。
Intent2Tc的闭环玩法
它是个大模型驱动的闭环框架，分两步转：先把业务级的流量整形意图转成标准化的声明式子意图，再转成经过验证的可执行Linux tc配置。核心集成了几样东西：基于主动队列管理（AQM）的数字孪生语义模型、自动提取元数据工具、批判驱动的优化机制，还有基于检索增强生成（RAG）的知识复用模块。这些东西凑一起，能大幅提高语义一致性和配置可靠性。
实测够硬，还能降成本
测试用了多个开源大模型、小模型，外加Claude Sonnet-4.6，测试样本就是那100个符合RFC9315标准的意图。结果挺实在：Claude Sonnet-4.6的各项指标都拉得很高；更实用的是RAG的作用：既能减少token消耗和推理延迟，还能让Phi-4-mini这种小模型的性能接近大模型。最后落地到Linux tc，说明这东西不是实验室里的花架子，真能用到生产环境。
能把业务意图自动转成可执行的网络配置，这对运维和网络团队来说，是真的能省不少事儿。当小模型靠RAG就能接近大模型的效果时，网络自动化的落地成本是不是还能再往下压？
素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型
查看报道原文
发表第一条评论吧