本發(fā)明屬于數(shù)據(jù)中心智能運維領域，具體涉及一種基于多專家rag（multi-experts?rag，me-rag）的數(shù)據(jù)中心大模型智能運維體系方法及系統(tǒng)。

背景技術：

1、近年來，計算能力需求急劇增長，數(shù)據(jù)中心（datacenter，dc）一躍成為全球矚目的焦點。數(shù)據(jù)中心的穩(wěn)定性與安全性，直接關系到眾多行業(yè)的運轉，其重要性不言而喻。正因如此，對數(shù)據(jù)中心設施展開行之有效的運維管理，顯得極為關鍵?，F(xiàn)階段，數(shù)據(jù)中心設施的運維工作，主要依靠專業(yè)技術人員提供7×24小時的不間斷服務。這不僅對運維人員的專業(yè)素養(yǎng)和精力提出了極高要求，在人才培養(yǎng)和運維資源投入方面，也需要耗費大量成本。

2、近年來，像gpt、llama、mistral、chatglm這類可對話的大語言模型，為解決上述難題帶來了希望。它們具備強大的涌現(xiàn)能力和泛化能力，在數(shù)據(jù)中心運維領域有極大潛力。不過，數(shù)據(jù)中心領域高度專業(yè)且發(fā)展迅速，現(xiàn)有的大語言模型僅憑借其自身的知識儲備，很難直觀地為數(shù)據(jù)中心提供切實有效的解決方案。檢索增強生成（retrieval-augmentedgeneration，rag）可以低成本部署dc領域專業(yè)化大模型。目前的rag方法，通常把所有文本數(shù)據(jù)都當作一個知識庫，這就造成數(shù)據(jù)庫規(guī)模過于龐大，檢索模塊的計算成本大幅增加，可擴展性也不盡如人意。且由于缺乏圖像類信息輔助理解，這些方法在數(shù)據(jù)中心設備維護過程中，難以提供直觀清晰的指導。數(shù)據(jù)中心環(huán)境復雜且規(guī)模龐大，這類環(huán)境更需要多個領域專家攜手合作，高效解決問題。然而，受大語言模型上下文長度限制，當用戶提出一個涉及多個知識領域的問題時，那些與問題關聯(lián)緊密的領域片段，會被優(yōu)先考量，而關聯(lián)度較低領域的片段，可能因排名靠后被忽略。如此一來，給用戶提供的答案，往往既不完整，也不夠準確。

3、因此，當下急切需要一種更為高效、智能的運維解決方案，讓人工智能技術更易于理解和應用，以此提升運維效率，保障運維安全，最終實現(xiàn)數(shù)據(jù)中心的自動化運維。

技術實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法及系統(tǒng)，通過多專家運維機制，有效提高針對用戶問題回答的正確性和全面性，并通過多模態(tài)數(shù)據(jù)庫檢索機制，為用戶提供更加直觀的多模態(tài)信息。

2、技術方案：為實現(xiàn)上述發(fā)明目的，本發(fā)明采用如下技術方案：

3、第一方面，本發(fā)明提供一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，包括以下步驟：

4、將數(shù)據(jù)中心資料分為多個領域，每個領域創(chuàng)建一個專家代理；

5、對于每個領域，通過非結構化文檔，構建包括文本數(shù)據(jù)庫、圖片數(shù)據(jù)庫和表格數(shù)據(jù)庫的多模態(tài)數(shù)據(jù)庫，作為專家代理的外嵌知識庫；

6、基于me-rag框架，經(jīng)理代理結合專家技能列表與用戶問題動態(tài)選擇涉及到的專家領域，并分派給相關專家代理進行回答；

7、收到回答指令的各專家代理，根據(jù)問題檢索自身知識庫，用文字對問題進行回答，若有相關的圖片及表格則一并返回，最后由匯報專員將所有專家代理的答案進行總結。

8、優(yōu)選地，文本數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的文本部分提取出來，并根據(jù)小節(jié)進行分塊，每塊投入大語言模型中進行總結得到總結塊，將總結塊進行嵌入，并通過multi-vector鏈接到源文本塊。

9、優(yōu)選地，圖片數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的圖片提取出來，并將圖片的名稱以及圖片周圍上下文投入大語言模型中，對圖片的作用進行總結得到總結塊，將總結塊進行嵌入，并通過multi-vector將總結塊與圖片保存路徑進行鏈接。

10、優(yōu)選地，表格數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的表格部分提取出來形成csv文檔，再將表格上下文、表格名稱以及表格內容投入大語言模型中進行總結，得到總結塊，并通過multi-vector將總結塊與csv文件進行鏈接。

11、優(yōu)選地，經(jīng)理代理由大語言模型和單分類器組成，通過提示詞的方式，向大語言模型投入專家技能列表，讓大語言模型知曉各個專家所擁有的技能，大語言模型結合專家技能列表與用戶問題，動態(tài)選擇適合回答用戶問題的專家代理；單分類器使用各個領域的業(yè)務文本作為輸入訓練得到，單分類器與大語言模型共同選擇專家代理，取兩者并集作為經(jīng)理代理選擇的專家代理。

12、優(yōu)選地，專家代理由文本數(shù)據(jù)庫、圖片數(shù)據(jù)庫、表格數(shù)據(jù)庫這三種模態(tài)數(shù)據(jù)庫對應的檢索模塊和大語言模型構成；檢索模塊通過在語義空間上進行計算，得到與用戶問題語義相似度最高的總結塊，并將總結塊鏈接的源返回給大語言模型；大語言模型結合檢索模塊返回的信息，回答用戶的問題，并呈現(xiàn)相關的圖片和/或表格信息。

13、優(yōu)選地，根據(jù)實際數(shù)據(jù)中心運維流程將數(shù)據(jù)中心資料根據(jù)不同設備將數(shù)據(jù)中心資料分為多個領域，每個領域的專家技能列表以目錄的形式，通過提示詞的方式提供給大語言模型。

14、第二方面，本發(fā)明提供一種基于me-rag的數(shù)據(jù)中心大模型智能運維系統(tǒng)，基于me-rag框架搭建，包括經(jīng)理代理、多個專家代理，以及匯報專員；每個專家代理對應數(shù)據(jù)中心資料的一個領域，通過非結構化文檔，構建包括文本數(shù)據(jù)庫、圖片數(shù)據(jù)庫和表格數(shù)據(jù)庫的多模態(tài)數(shù)據(jù)庫，作為專家代理的外嵌知識庫；經(jīng)理代理，用于結合專家技能列表與用戶問題動態(tài)選擇涉及到的專家領域，并分派給相關專家代理進行回答；收到回答指令的各專家代理，根據(jù)問題檢索自身知識庫，用文字對問題進行回答，若有相關的圖片及表格則一并返回；所述匯報專員，用于將所有專家代理的答案進行總結。

15、優(yōu)選地，系統(tǒng)采用autogen開源框架進行搭建，由一個經(jīng)理代理、多個專家代理和一個匯報專員構成。

16、第三方面，本發(fā)明提供一種計算機系統(tǒng)，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述計算機程序被加載至處理器時實現(xiàn)所述的基于me-rag的數(shù)據(jù)中心大模型智能運維方法的步驟。

17、有益效果：與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：1、本發(fā)明將多模態(tài)數(shù)據(jù)庫融入到多專家檢索中，使普通的非多模態(tài)大模型能夠處理多模態(tài)信息，包括文本、表格和圖像，得到更加直觀易懂的答案。2、本發(fā)明充分利用大語言模型的思考能力，由分類器輔助的大語言模型充當管理者，它能夠協(xié)調領域專家，同時處理模糊的查詢，有效降低了產生幻覺的風險；一系列專家模型將數(shù)據(jù)庫劃分為多個領域，提高了數(shù)據(jù)庫的可擴展性，這避免了遍歷大規(guī)模數(shù)據(jù)庫所導致的資源消耗，以及大語言模型因上下文限制而可能忽略關聯(lián)性較弱但相關領域的情況，有效提高了答案的準確性和全面性。

技術特征：

1.一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：所述文本數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的文本部分提取出來，并根據(jù)小節(jié)進行分塊，每塊投入大語言模型中進行總結得到總結塊，將總結塊進行嵌入，并通過multi-vector鏈接到源文本塊。

3.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：所述圖片數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的圖片提取出來，并將圖片的名稱以及圖片周圍上下文投入大語言模型中，對圖片的作用進行總結得到總結塊，將總結塊進行嵌入，并通過multi-vector將總結塊與圖片保存路徑進行鏈接。

4.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：所述表格數(shù)據(jù)庫采用multi-vector的方式構建，包括：將非結構化文檔的表格提取出來形成csv文檔，再將表格上下文、表格名稱以及表格內容投入大語言模型中進行總結，得到總結塊，并通過multi-vector將總結塊與csv文件進行鏈接。

5.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：所述經(jīng)理代理，由大語言模型和單分類器組成，通過提示詞的方式，向大語言模型投入專家技能列表，讓大語言模型知曉各個專家所擁有的技能，大語言模型結合專家技能列表與用戶問題，動態(tài)選擇適合回答用戶問題的專家代理；單分類器使用各個領域的業(yè)務文本作為輸入訓練得到，單分類器與大語言模型共同選擇專家代理，取兩者并集作為經(jīng)理代理選擇的專家代理。

6.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：所述專家代理，由文本數(shù)據(jù)庫、圖片數(shù)據(jù)庫、表格數(shù)據(jù)庫這三種模態(tài)數(shù)據(jù)庫對應的檢索模塊和大語言模型構成；檢索模塊通過在語義空間上進行計算，得到與用戶問題語義相似度最高的總結塊，并將總結塊鏈接的源返回給大語言模型；大語言模型結合檢索模塊返回的信息，回答用戶的問題，并呈現(xiàn)相關的圖片和/或表格信息。

7.根據(jù)權利要求1所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維方法，其特征在于：根據(jù)實際數(shù)據(jù)中心運維流程將數(shù)據(jù)中心資料根據(jù)不同設備將數(shù)據(jù)中心資料分為多個領域，每個領域的專家技能列表以目錄的形式，通過提示詞的方式提供給大語言模型。

8.一種基于me-rag的數(shù)據(jù)中心大模型智能運維系統(tǒng)，其特征在于：基于me-rag框架搭建，包括經(jīng)理代理、多個專家代理，以及匯報專員；每個專家代理對應數(shù)據(jù)中心資料的一個領域，通過非結構化文檔，構建包括文本數(shù)據(jù)庫、圖片數(shù)據(jù)庫和表格數(shù)據(jù)庫的多模態(tài)數(shù)據(jù)庫，作為專家代理的外嵌知識庫；經(jīng)理代理，用于結合專家技能列表與用戶問題動態(tài)選擇涉及到的專家領域，并分派給相關專家代理進行回答；收到回答指令的各專家代理，根據(jù)問題檢索自身知識庫，用文字對問題進行回答，若有相關的圖片及表格則一并返回；所述匯報專員，用于將所有專家代理的答案進行總結。

9.根據(jù)權利要求8所述的一種基于me-rag的數(shù)據(jù)中心大模型智能運維系統(tǒng)，其特征在于：系統(tǒng)采用autogen開源框架進行搭建，由一個經(jīng)理代理、多個專家代理和一個匯報專員構成。

10.一種計算機系統(tǒng)，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于：所述計算機程序被加載至處理器時實現(xiàn)根據(jù)權利要求1-7任一項所述的基于me-rag的數(shù)據(jù)中心大模型智能運維方法的步驟。

技術總結
本發(fā)明公開了一種基于ME?RAG的數(shù)據(jù)中心大模型智能運維方法及系統(tǒng)，本發(fā)明將數(shù)據(jù)中心資料分為多個領域，每個領域創(chuàng)建一個專家代理，通過非結構化文檔，構建包括文本、圖片和表格的多模態(tài)數(shù)據(jù)庫，作為專家代理的外嵌知識庫；基于ME?RAG框架，經(jīng)理代理結合專家技能列表與用戶問題動態(tài)選擇涉及到的專家領域，并分派給相關專家代理進行回答；收到回答指令的各專家代理，根據(jù)問題檢索自身知識庫，用文字對問題進行回答，若有相關的圖片及表格則一并返回，最后由匯報專員將所有專家代理的答案進行總結。本發(fā)明通過多專家運維機制，有效提高針對用戶問題回答的正確性和全面性，并通過多模態(tài)數(shù)據(jù)庫檢索機制，為用戶提供更加直觀的多模態(tài)信息。

技術研發(fā)人員：周海波,黃瑾,孫宇,程博
受保護的技術使用者：南京大學
技術研發(fā)日：
技術公布日：2025/5/15