Intent Engine：面向计算连续体的自然语言意图转换与意图驱动编排

arXiv:2608.20388v1 发布类型：新论文

摘要：计算连续体中的微服务部署由低层 Service-level Objectives (SLO) 驱动，但要求用户指定指标级约束会造成采用门槛并增加配置错误风险。尽管 large language models (LLMs) 能够理解自然语言意图，直接生成可供编排系统消费的 SLO 工件仍然不可靠，原因包括不支持的约束、错误的 grounded values 以及 schema 违规。这些错误会传播至下游部署逻辑，导致不可行或错误的部署结果。本文提出 Intent Engine，一种自然语言意图翻译架构，可为计算连续体服务部署构建经过验证的 SLO 工件。Intent Engine 作为现有意图驱动编排与部署框架的意图获取与 SLO 构建层；它本身不执行部署或运行时 QoS 优化。该架构结合 schema 约束提取、基于检索的监控基础设施状态值构建，以及在输出最终 SLO 工件前对支持约束进行验证。我们使用从边缘云测试平台衍生的 716 条意图到 SLO 数据集（包含有效和无效意图）对 Intent Engine 进行评估，涵盖 GPT-4.1 mini、Claude Sonnet 4.5 和 DeepSeek V4-Flash。Intent Engine 优于 prompt 基线方法和非 LLM 规则解析器。采用 GPT-4.1 mini 时，其总 F1 Score 达到 0.941，聚合幻觉降低 85.1%，同时将下游部署失败率从 30.8% 降至 2.1%。