RootCause：测试 LLM 智能体能否胜过简单规则的微服务事故排查基准

RootCause 是一个基于 OpenTelemetry 指标、链路和日志排查微服务事故的 LLM 智能体，同时也是一个包含 20 个事故（16 个故障加 4 个无故障对照）的基准。结果显示没有智能体明显优于 28 行启发式规则：所有配对 95% 置信区间都包含 0。模型比工具影响更大——在故障事故上 Nemotron 3 Super 比 Gemini 3.5 Flash-Lite 高 +0.26，但计入误报后差距缩至 +0.11 且区间包含 0，change-aware 工具也未带来可测量的提升。