type: concept tags: [open-ran, edge-computing, llm-agent, intent-driven, mobile-network, 5g, agentic, 自组网] related: [[edge-cloud-offloading]], [[mcp-deployment-patterns]], [[emommas-edge-negotiation]], [[on-device-vs-cloud-agentic-tool-calling]] sources: - url: https://arxiv.org/abs/2604.13384 title: "Agentic Open RAN: A Deterministic and Auditable Framework for Intent-Driven Radio Control" date: 2026-04-15 reliability: high created: 2026-04-19 updated: 2026-04-19

A1gent: 面向 Open RAN 的可审计 Agent 控制框架¶

用 LLM Agent 实现意图驱动的无线网络控制，同时保持近实时执行的确定性和可审计性

核心问题¶

移动网络正向 AI 原生运营演进——运营商希望用自然语言表达"网络应该达到什么目标"，而非手动配置每个控制循环。O-RAN 架构通过 A1/E2/O1 分层接口提供了这种可能性，但存在两个根本性缺口：

推理与执行的矛盾：如何在注入意图级推理的同时，不破坏近实时（near-RT）控制环路的确定性保证？
可审计性：如何让 LLM 驱动的推理可追溯、可回放、有明确的作用域？

方法/架构¶

提出 A1gent，一个分层的 agentic 控制栈：

架构概览¶

非 RT 层 (rApp)          近 RT 层 (xApps)
┌─────────────────┐     ┌──────────────────┐
│ LLM + IaC       │     │ QoE Firefighter  │
│ 意图→A1 策略翻译 │────→│ Load Balancer    │
│ 策略选择 (L1)    │     │ Energy Saver     │
│ 目标混合 (L2)    │     └──────────────────┘
└─────────────────┘              │
                          E2 (移动性/负载)
                          O1 (能效 via SMO)

关键设计决策¶

推理-执行分离： - 非 RT rApp：LLM 负责意图理解和策略生成，输出类型化的 A1 策略实例 - 近 RT xApps：固定频率（1 Hz）控制循环，使用最近发布的 A1 策略，永不阻塞在 rApp 上 - IaC 守护栏：LLM 输出必须通过基础设施即代码定义的约束检查（clamp、budget、cadence）

三层 Agent 协调： 1. QoE Firefighter：通过 E2SM-MHO 管理切换，保护用户体验 2. Load Balancer：通过 E2SM-RC+MHO 优化 PRB 分配，平衡负载 3. Energy Saver：通过 O1/SMO 管理基站休眠/唤醒

安全机制： - 固定优先级 Action Merger 解决 xApp 间冲突 - 编码护栏（guardrails）限制 LLM 输出范围 - 每个 A1 策略实例有明确的类型约束

实验结果¶

场景设置¶

拓扑：3 扇区 × 3 站点宏蜂窝网格（9 cells），X2 连接
仿真器：扩展的 ns3-oran
场景：3 阶段意图切换（Normal → Emergency → Recovery）

核心发现¶

指标	A1gent	基线
意图翻译	LLM 自动生成类型化 A1 策略	手工配置
执行确定性	1 Hz 固定频率，永不阻塞	依赖 LLM 响应时间
多阶段适应	自动切换 Normal/Emergency/Recovery	需要人工干预
可审计性	完整的 IaC 策略日志 + E2/O1 行动追踪	有限

关键实验发现¶

Phase-aware 意图有效：运营商可表达"Normal 保持均衡；Emergency 保护弱势用户；Recovery 恢复节能"，A1gent 自动翻译为对应策略
LLM 超时安全：当 LLM prompt 超时时，启发式混合策略提供降级保证
E2/O1 分离合理：移动性和负载控制走 E2（高频），能效走 O1/SMO（低频），符合实际部署约束

关键洞察¶

确定性与智能的平衡点在策略层而非执行层：LLM 的非确定性被"关在"A1 策略生成阶段，执行层完全确定。这与 Agent 在移动端的设计哲学一致——推理离线化，执行在线化
IaC 作为 LLM 的安全网：不是让 LLM 自由输出，而是通过预定义的策略目录和约束来限界 LLM 的输出空间
MCP 范式的 RAN 实现：Dual-MCP 工作的 tool-centric、human-in-the-loop 规划架构影响了 A1gent 的审计设计

为什么重要¶

对于移动 AIOS 生态： - 网络层 Agent 化：移动网络基础设施的 Agent 化意味着端侧设备将与更智能的网络协同 - 意图驱动接口：类似 Android Intent 系统在应用层的作用，A1gent 在网络层实现了意图驱动的控制 - 边缘-云协同新模式：推理（LLM）在云端/非 RT 层，执行在边缘/近 RT 层——这种分离模式可推广到其他端云协同场景 - 对 MiniCPM/端侧 Agent 的启示：当端侧 Agent 需要调用网络资源时，背后的网络控制层可能就是 A1gent 这样的 Agent 系统

关联¶

[[edge-cloud-offloading]] — 边缘-云协同卸载
[[mcp-deployment-patterns]] — MCP 部署模式与 Agent 工具调用
[[emommas-edge-negotiation]] — 边缘多 Agent 协商
[[on-device-vs-cloud-agentic-tool-calling]] — 端侧 vs 云端 Agent 工具调用对比