9月16日，华为GTS算法团队通过量子位披露，针对IP承载网运维提出名为NetCanvas的可交互视觉拓扑机制，让大模型Agent像工程师一样“看着网络排障”。据量子位报道，在公开基准CTBench上，引入该机制后Agent综合通过率从30.3%提升至54.5%，双防火墙、ECMP等复杂子任务通过率从约10%升至约90%。

华为GTS算法团队指出，IP承载网是支付、挂号等数字化业务底座，故障线索常埋于海量告警或静默配置中。纯文本Agent虽能解析命令和日志，但在多设备、多路径、带防火墙和ECMP的真实拓扑中容易重复探查。团队将这一现象称为“拓扑失忆”：排障越深入，局部观测增加，整体空间关系却逐渐丢失。一个测试案例中，Agent已锁定故障防火墙，却在该设备上换了几十种查法、原地打转三百多步，仍未找到根因。

团队认为，资深网工排障时脑中有一张“活图”，会持续更新流量入口、分流位置和防火墙跳数；纯文本Agent面对一维滚动CLI，每步都要从碎片日志重新脑补网络，上下文越长，空间关系越易坍塌。因此，NetCanvas不是给模型一张静态拓扑截图，而是提供可交互的“外部工作记忆”画布。

据量子位报道，NetCanvas让拓扑随CLI探查动态生长，新发现的设备、链路与路径证据会实时合并到当前图状态；Agent可切换全局与局部视图、高亮焦点节点，还能通过改变连线颜色记录推理假设。研发团队测试发现，把机器生成拓扑换成符合人类网络工程师习惯的领域布局后，Agent排障成功率明显跃升。

CTBench任务来自真实运维案例，要求Agent进入未知网络、动态执行命令，并从不完整碎片证据中逐步定位故障。数据显示，NetCanvas将综合通过率从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等依赖空间关系的复杂子任务中，通过率从约10%升至约90%。逐题比对纯文本方案，NetCanvas为16胜0负50平，没有题目退化。Agent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%至45%。

华为GTS AI算法团队称，其技术路径是从真实运维现场出发，将资深工程师的空间认知与工作方式工程化，转化为Agent可感知、可交互的系统能力。NetCanvas项目代码和CTBench基准已公开。