对话式AI（人工智能）代理CORA在多厂商OpenROADM测试台实现90%首次故障诊断准确率
SPIE会议论文摘要显示，研究者用大语言模型驱动的CORA代理扩展光网络自动化平台ON-RAP，在含商用OpenROADM设备的多厂商测试台上将网络健康评估耗时缩短逾10倍，故障注入实验首次诊断准确率为90%。
结果仅来自摘要级证据，未经全文核对，也缺少真实网络运行数据。
SPIE（国际光学工程学会）会议《Applications of Machine Learning 2026》收录论文摘要披露：CORA（Conversational OpenROADM Reasoning Agent，对话式OpenROADM推理代理）扩展ON-RAP（Optical Network Robotic Automation Platform，光网络自动化平台），以LLM（大语言模型）作语义理解，支持自然语言交互的多厂商设备自动化。
四项设计为：配置与执行两级自动反馈的验证驱动迭代优化，无需模型微调； 按OpenROADM设备类型动态注入约束的领域约束提示工程； 支持云端与本地部署的双供应商LLM编排； 通过共享网络上下文协调生成、验证与语义关联的多代理协作。
实验在多厂商OpenROADM测试台开展，设备为符合OpenROADM的商用ROADM（可重构光分插复用器）与XPDR（光转发器），结果显示网络健康评估时间缩短逾10倍，故障注入实验首次诊断准确率达90%。 作者为Linqi Xiao、Venkateswarlu Gudepu、Andrea Fumagalli。
论文全文未取得，实验条件与基线定义需以全文核对。
该工作把基础模型用于受限领域的光网络运维问答与诊断，价值在于绕开微调、以提示约束和验证回路适配多厂商语义差异。 90%首次诊断准确率与逾10倍耗时缩减均为测试台上的受控初步结果，不能等同于现网可靠运行； 摘要未说明误诊后果、测试用例规模与对照方案。
后续观察信号
- CORA与ON-RAP的集成方式能否迁移到其他光网络管理系统
- 90%首次故障诊断准确率的失败案例分布