综述 | LLM-Powered Agentic AI for 5G/6G Networks：面向5G/6G网络的智能体AI

导读

随着 5G-Advanced 向 6G 演进，网络系统正在从“可编程、可观测”走向“可理解意图、可自主决策、可跨域协同”。这篇 35 页教程综述把 LLM 驱动的 Agentic AI 放到电信网络架构中系统讨论：它不仅介绍智能体的推理、规划、工具调用、记忆和多智能体协作，还把这些能力映射到 5G/6G 的控制平面、管理平面与 AI 原生平面，并进一步梳理 MCP、A2A、ANP、ACP、AP2 等智能体协议和 3GPP、ETSI、O-RAN、TM Forum 等标准化动向。 文章的核心观点是：LLM 智能体不是普通聊天模型在网络运维中的简单套用，而是下一代自治网络的候选“控制抽象”。它可以把自然语言意图、遥测数据、网络 API、策略约束和闭环优化连接起来，但真正进入运营商级系统之前，还必须解决幻觉、时延、安全、能耗、可解释治理和电信专用基准不足等问题。

图1：论文结构总览：全文由教程部分和综述部分组成，先介绍下一代网络和智能体AI基础，再系统梳理应用、标准化与开放挑战。

论文信息

论文题目：LLM-Powered Agentic AI for 5G/6G Networks: A Tutorial and Survey on Architectures, Protocols, and Standardization 作者：Mazene Ameur, Abdelkader Mekrache, Bouziane Brik, Adlen Ksentini 机构：EURECOM、Simula Metropolitan、University of Sharjah 论文链接：https://arxiv.org/pdf/2607.16066 论文类型：Tutorial and Survey 发布时间：2026 年 7 月

1 Introduction 引言

背景与动机

5G/6G 网络正在变得越来越复杂：RAN、传输网、核心网、边缘云、切片、数字孪生、AIOps、意图驱动管理等组件共同构成了高度动态的系统。传统自动化更多依赖规则、脚本、阈值和预定义策略，能够处理重复流程，却难以应对跨域依赖、模糊意图、突发故障和多目标优化。 LLM 驱动的 Agentic AI 提供了新的可能性。智能体可以读取网络状态，理解人类或系统提出的高层目标，分解任务，调用工具和 API，维护短期与长期记忆，并在反馈中迭代决策。对于电信网络而言，这意味着网络管理有机会从“人工定义规则”转向“目标驱动的闭环自治”。

现有综述缺口

论文指出，已有综述大多分散在三个方向：一类关注 LLM 在网络中的应用，但缺少智能体架构、协议和评估视角；一类讨论通用 Agentic AI，但没有落到 RAN、核心网、ZSM、O-RAN 等电信栈；还有一类关注安全、标准或协议，却没有把网络控制、管理、AI 原生平面统一起来。 因此，本文试图补上一个关键空白：把 LLM、智能体概念、智能体协议、评估基准、电信网络集成和标准化计划放在一个统一框架下讨论。

主要贡献

本文的贡献可以概括为五点：第一，系统介绍 5G/6G 网络中 Agentic AI 的技术基础；第二，以教程方式连接电信网络架构与智能体系统；第三，从电信视角评估 MCP、A2A 等新兴智能体协议；第四，给出控制平面、管理平面和 AI 原生平面的应用分类；第五，总结标准化、产业项目和未来挑战。

文章组织

全文按照两部分展开。第一部分是教程：第 2 节介绍下一代网络，第 3 节介绍 Agentic AI 基础。第二部分是综述：第 4 节梳理智能体 AI 在 5G/6G 中的应用，第 5 节讨论标准化和产业项目，第 6 节总结开放挑战，第 7 节给出结论。

2 Next-Generation Networks: An Overview 下一代网络概览

控制平面

下一代网络的控制平面由 RAN、传输网、核心网、边缘与云基础设施共同构成。RAN 侧，O-RAN 引入 Near-RT RIC 和 Non-RT RIC，使 xApp、rApp 可以通过开放接口参与无线资源分配、波束管理、切换和策略控制。传输网侧，SDN、ONOS、OpenDaylight、SRv6、TSN 等机制使路由、切片和流量工程具备可编程能力。核心网侧，5G SBA、AMF、SMF、UPF、NWDAF、NEF 等网元和服务接口为智能体提供了分析、监控和控制入口。边缘与云侧，Kubernetes、OpenShift 等编排系统则支持服务放置、扩缩容和生命周期管理。![]

图2：AI 原生 6G 技术概览：控制平面覆盖 RAN、传输网、核心网与边缘云，管理平面和 AI 原生平面为自治闭环提供支撑。

管理平面

管理平面主要面向跨域编排、服务保证和生命周期管理。论文重点讨论两类机制：意图驱动网络和零接触服务管理。IBN 允许用户或运营系统用高层目标表达需求，例如“保障某类业务的低时延体验”；系统再将意图转译为策略、配置和闭环监测。ZSM 则强调服务创建、部署、监控、修复和优化的端到端自动化。 对于 Agentic AI 来说，管理平面是最自然的落点之一。它不要求所有动作都在毫秒级完成，却需要跨域推理、根因分析、策略冲突解决和长期上下文记忆，这正是 LLM 智能体相对传统规则系统的优势所在。

原生智能平面

AI 原生平面为网络智能提供数据、模型、评估和治理基础。论文将其拆成 DataOps、AIOps 和可解释 AI 等方向。DataOps 负责数据采集、清洗、标注、质量控制和合成；AIOps 负责模型适配、训练、部署、监控和生命周期管理；可解释 AI 则面向电信网络中的审计、合规和责任归因。 这一平面的关键意义在于：智能体不能只依靠通用知识，它必须接入真实遥测、标准规范、网络日志、拓扑状态和历史运维经验，才能在 5G/6G 网络里形成可靠行动。

3 Agentic AI Foundations 智能体人工智能基础

从大模型到智能体系统

论文将 LLM 到 Agentic AI 的演进理解为从静态预测器到自主系统的转变。早期 Transformer 和基础模型主要执行文本生成、问答、分类等任务；推理型 LLM 强化了多步推理能力；智能体系统进一步加入目标、状态、记忆、工具、计划和执行循环，使模型能够围绕任务持续行动。

图3：LLM 驱动的 Agentic AI 范式演进：从 Transformer、基础模型、推理模型走向可自主行动的智能体时代。 在电信场景中，这种演进对应一个重要变化：模型不再只是解释告警或生成配置建议，而是可能参与故障诊断、策略生成、仿真验证、资源调度和跨域协调。

模型适配与系统框架

通用 LLM 直接用于电信网络会面临术语、协议、日志格式、性能约束和安全边界不匹配的问题。论文总结了多种适配方法，包括提示工程、检索增强生成、监督微调、参数高效微调、知识蒸馏和工具/API 集成。它们的目标不是让模型“懂一点通信术语”，而是让模型能在可验证数据、标准规范和网络接口约束下工作。![]

图4：面向电信网络的智能体 AI 框架：LLM 通过记忆、规划、工具和行动模块连接 RAN、传输网、核心网及边缘云接口。 论文给出的电信智能体框架包含几个关键组件：短期记忆用于保存实时 KPI、告警、信道状态和推理中间结果；长期记忆用于保存历史故障、拓扑知识、策略模板和运维经验；工具接口连接异常检测、负载预测、流量估计、配置下发等能力；规划模块负责任务分解、链式推理、自我反思和行动选择。

协议与评估

智能体要进入电信系统，必须解决互操作问题。论文重点比较了 MCP、A2A、ANP、ACP 和 AP2。MCP 关注 LLM 与外部工具和数据源之间的标准化连接；A2A 强调异构智能体之间的任务协作；ANP 引入去中心化身份和可验证凭证；ACP 面向智能体与传统系统之间的消息互通；AP2 则探索可验证交易和代理支付等业务层场景。

图5：智能体 AI 协议对未来 5G/6G 网络的相关性：不同协议分别覆盖工具调用、多智能体协作、身份发现、遗留接口互操作和可验证交易等需求。 论文也强调，协议设计必须考虑电信系统的时间尺度。JSON 序列化、HTTP 连接、工具调用链和多智能体消息交换都会引入开销。对于 Non-RT 管理任务，这些开销可能可以接受；但对于 Near-RT 甚至实时控制，必须结合轻量控制器、二进制编码、持久连接和分层决策架构。 评估方面，传统语言模型基准不够用。Agentic AI 的评估需要覆盖任务成功率、工具调用正确性、规划质量、鲁棒性、安全性、推理时延、能耗和系统负载等维度。对于电信，还需要加入切片 SLA、RAN 优化、故障定位、跨域协调、协议合规和端到端闭环稳定性。

4 Agentic AI for 5G/6G Networks: A Survey 面向5G/6G网络的智能体人工智能综述

控制平面应用

控制平面应用覆盖 RAN、传输网、核心网以及边缘云。RAN 中，LLM 智能体可用于资源分配、干扰管理、切换策略、无线配置解释、O-RAN xApp/rApp 协作和数字孪生仿真。传输网中，智能体可辅助流量工程、路由策略、安全监测和动态路径调整。核心网中，它可参与意图管理、服务功能编排、基于 NWDAF 的分析调用和 LLM 感知的网络切片。边缘云中，它可用于服务放置、资源调度、故障恢复和跨站点协同。 论文同时提醒，控制平面是风险最高的应用层。智能体若直接参与关键控制，必须面对稳定性、可验证性、错误传播和实时约束。因此，更现实的路径是分层控制：LLM 负责高层意图解释、策略生成和方案评估，确定性控制器、DRL 模型或传统优化器负责低层实时执行。

管理平面应用

管理平面是当前更适合落地 Agentic AI 的区域。论文梳理了意图翻译、意图冲突消解、根因分析、服务保证、故障诊断、闭环运维和零接触编排等方向。LLM 智能体可以把自然语言需求转成可执行策略，检查网络状态是否满足约束，在异常发生时生成诊断链路，并调用 OSS/BSS、SMO、SDN 控制器或 NFV MANO 接口执行操作。 相比控制平面，管理平面的时延约束通常更宽松，但它更依赖跨域知识和可解释推理。智能体需要理解业务目标、拓扑关系、SLA、告警因果链和标准接口，这使 RAG、工具调用、多智能体角色分工和人工审核机制尤其重要。

原生智能平面应用

AI 原生平面主要支撑模型和数据生命周期。论文提到，电信领域正在出现 TeleQnA、TeleTables、TelAgentBench、MMTelCo、TeleMath、TSpec-LLM、α3-Bench、TeleYAML 等基准与数据资源，用来衡量 LLM 和智能体在规范理解、表格推理、多模态通信任务、数学推理、安全鲁棒性和配置生成中的能力。 这一方向的核心问题是“把通用智能体变成电信可信智能体”。它不仅需要领域数据，还需要可复现实验环境、开放仿真平台、真实网络约束、标准化指标和对抗测试。否则，系统在公开基准上表现良好，并不代表能够进入运营商网络闭环。

5 Standardization and Industry Initiatives 标准化与产业计划

标准化活动

论文系统梳理了与 LLM-based Agentic AI 相关的标准组织。3GPP 关注 6G 核心网、SBA、AI 原生架构和智能体作为网络功能的可能形态；ETSI ZSM、ENI、NFV ISG 关注闭环管理、意图接口和服务自治；O-RAN Alliance 关注 Non-RT RIC、Near-RT RIC、A1/E2/O1 接口以及面向 RAN 控制的分布式 GenAI 智能体；TM Forum 关注 OSS/BSS、开放 API 和自治网络运营；IETF 和 GSMA 则分别涉及协议、身份、凭证和开放电信 LLM 基准。

图6：与 6G 网络中 LLM 智能体 AI 相关的标准化与产业努力：不同组织分别从网络架构、管理闭环、开放接口、协议身份和评估基准推进落地。 论文认为，标准化的共同缺口集中在三点：身份和凭证机制尚未完全适配临时智能体实例；意图接口与多智能体协议之间缺少统一语义；现有基准指标与 3GPP、ETSI 等部署指标仍未充分对齐。

产业与研究项目

论文还梳理了多个 6G 项目。SUNRISE-6G 关注联邦测试床上的自然语言意图和平台服务编排；6G-INTENSE 关注多智能体意图生命周期管理；6G-DALI 将 LLM 智能体用于 DataOps 和 MLOps 工作流；FLECON-6G 把智能体放到多层数字孪生之上；OPEN6G 则探索 AgentRAN 式的分层多智能体架构。 这些项目共同说明，Agentic AI 正在从概念走向网络实验平台。但它们也暴露出相似限制：意图语义缺少收敛保证，闭环工作流缺少端到端时延刻画，LLM xApp 的认证路径不清晰，真实控制环中的可靠性仍待验证。

6 Open Challenges and Future Perspectives 开放挑战与未来展望

六个关键挑战

第一是随机性与幻觉。LLM 的输出来自概率分布，而电信控制平面需要确定性语义和可验证动作。一个错误根因判断可能触发错误重配置，并通过记忆、工具调用和智能体通信形成级联幻觉。 第二是计算成本与能耗。7B 到 70B 级模型的推理资源与 6G 低能耗目标存在冲突。未来需要模型压缩、蒸馏、边缘侧轻量推理、按需调用和能耗感知编排。 第三是实时推理时延。O-RAN Near-RT RIC 的控制环可能处于 10 ms 到 1 s 量级，而 LLM 推理、提示构造、工具调用和网络 I/O 往往难以满足严格实时约束。更可行的方向是让 LLM 负责秒级到分钟级规划，把毫秒级执行交给轻量策略或确定性控制器。 第四是多智能体安全。论文特别强调 AI-to-AI 权限升级、间接提示注入、恶意消息传播和工具滥用风险。电信网络中的智能体不仅要有身份认证，还需要最小权限、审计日志、策略沙箱和跨智能体信任边界。 第五是电信专用基准不足。现有基准无法充分覆盖网络动态、多域交互、实时约束、SLA 违约、仿真环境和对抗场景。未来需要基于 Open5GS、OpenAirInterface、Free5GC 等平台构建更真实的智能体评估套件。 第六是可解释、治理与合规。自治网络中的决策必须能被审计、追责和回滚。智能体需要解释为什么采取某个动作、依据哪些数据、是否符合标准和运营策略，并在高风险动作前提供人工确认或形式化验证。

7 Conclusions 结论

这篇综述的价值在于，它没有把 LLM 智能体简单包装成“网络运维助手”，而是把它放进 5G/6G 架构、协议、标准、评估和部署约束中审视。它给出的主线很清楚：Agentic AI 有潜力成为下一代自治网络的重要控制抽象，但短期内更适合从管理平面、AI 原生平面和非实时控制任务切入。 面向未来，LLM 智能体真正进入 5G/6G 网络，需要三类能力同时成熟：一是面向电信知识和接口的模型适配；二是可互操作、可审计、可治理的智能体协议；三是覆盖真实网络约束的评估基准和标准化路径。只有这样，Agentic AI 才能从“会解释网络”走向“能可靠参与网络自治”。