本方案旨在利用 LangChain 生态系统构建一个专门针对 Ascend 310B 等嵌入式系统复杂故障的自动化诊断框架。核心目标是解决海量日志处理慢、大模型对底层硬件知识匮乏以及诊断逻辑不严谨的问题。1. 核心架构设计Sentinel-Embedded 采用感知-检索-辩论三层架构A. 感知层 (Perception - LazyUnpacker)针对嵌入式系统产生的数 GB 压缩日志包如串口日志、Kernel Core Log不再进行全量解压。时间锚定通过正则流式探测日志包的时间边界。按需解压仅解压故障时刻相关的日志片段极大地降低磁盘 I/O 和内存占用。B. 检索层 (Retrieval - SDK RAG)通过build_vector_db.py构建的 Chroma 向量库为 Agent 提供源码级上下文。源码切片使用RecursiveCharacterTextSplitter保持 C 语法结构。语义搜索当日志中出现错误码如error_code: 0x123或函数名时自动检索 SDK 源码中的定义、注释及相关驱动逻辑。C. 认知层 (Cognition - LangGraph Multi-Agent)基于 LangGraph 构建Argue-Verify (辩论-验证)工作流诊断代理 (Primary Diagnostic Agent)分析日志利用 RAG 检索结果提出初步故障原因Root Cause。审计代理 (Audit Critique Agent)专门负责“找茬”质疑诊断代理的结论要求其提供更多证据如特定寄存器值、时序对齐证据。报告代理 (Report Generator)汇聚多轮辩论结果生成最终的故障分析报告。2. 技术栈详细设计模块技术实现关键价值工作流编排LangGraph (StateGraph)实现复杂的循环逻辑和 Agent 间的交互冲突。向量库ChromaDB本地化部署确保红网环境下的数据安全性。切分算法RecursiveCharacterTextSplitter(cpp)保证代码逻辑片段的完整性。EmbeddingZhipuAI API/BGE-Small (Local)灵活切换兼顾在线性能和离线安全。LLMGLM-4/GLM-5.1强大的中文理解能力和代码分析能力。3. 关键节点流程 (preprocess_node)提取时间戳从用户描述或串口日志首行提取故障时刻 $T$。定位日志包LazyUnpacker寻找覆盖时刻 $T$ 的最小日志集合。切片提取提取 $T \pm 5s$ 范围内的串口和内核日志。上下文注入从 Chroma 库检索与日志中相关模块对应的 SDK 源码。初始化状态将上述信息填充进AgentState触发后续 Agent 辩论。