論文の概要: SHIELDA: Structured Handling of Exceptions in LLM-Driven Agentic Workflows

• arxiv url: http://arxiv.org/abs/2508.07935v1
• Date: Mon, 11 Aug 2025 12:50:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.098673
• Title: SHIELDA: Structured Handling of Exceptions in LLM-Driven Agentic Workflows
• Title（参考訳）: Shielda: LLM駆動のエージェントワークフローにおける例外の構造化処理
• Authors: Jingwen Zhou, Jieshan Chen, Qinghua Lu, Dehai Zhao, Liming Zhu,
• Abstract要約: LLM(Large Language Model) エージェントシステム(LLM)は、多段階プロセスの自律的推論、計画、実行を行うLLMをベースとしたソフトウェアシステムである。 既存の例外処理ソリューションは、しばしば例外を表面的に扱い、実行フェーズ例外を根本原因にトレースすることができない。 LLMエージェントランタイムのためのモジュール型例外処理フレームワークShielDAを提案する。
• 参考スコア（独自算出の注目度）: 12.727172180194653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) agentic systems are software systems powered by LLMs that autonomously reason, plan, and execute multi-step workflows to achieve human goals, rather than merely executing predefined steps. During execution, these workflows frequently encounter exceptions. Existing exception handling solutions often treat exceptions superficially, failing to trace execution-phase exceptions to their reasoning-phase root causes. Furthermore, their recovery logic is brittle, lacking structured escalation pathways when initial attempts fail. To tackle these challenges, we first present a comprehensive taxonomy of 36 exception types across 12 agent artifacts. Building on this, we propose SHIELDA (Structured Handling of Exceptions in LLM-Driven Agentic Workflows), a modular runtime exception handling framework for LLM agentic workflows. SHIELDA uses an exception classifier to select a predefined exception handling pattern from a handling pattern registry. These patterns are then executed via a structured handling executor, comprising local handling, flow control, and state recovery, to enable phase-aware recovery by linking exceptions to their root causes and facilitating composable strategies. We validate SHIELDA's effectiveness through a case study on the AutoPR agent, demonstrating effective, cross-phase recovery from a reasoning-induced exception.
• Abstract（参考訳）: LLM (Large Language Model) エージェントシステムは、単に事前定義されたステップを実行するのではなく、人間の目標を達成するための複数のステップのワークフローを自律的に推論、計画、実行するLLMによって駆動されるソフトウェアシステムである。 実行中、これらのワークフローは、しばしば例外に遭遇する。 既存の例外処理ソリューションはしばしば例外を表面的に扱い、実行フェーズ例外を推論フェーズの根本原因に追従することができない。 さらに、リカバリロジックは不安定であり、初期試行が失敗すると、構造的エスカレーション経路が欠如する。 これらの課題に対処するために、まず、12のエージェントアーティファクトにまたがる36の例外型を包括的に分類する。 これに基づいて,LLMエージェントワークフローのためのモジュール型ランタイム例外処理フレームワークであるShielDA (Structured Handling of Exceptions in LLM-Driven Agentic Workflows)を提案する。 ShielDAは例外分類器を使用して、ハンドリングパターンレジストリから事前に定義された例外ハンドリングパターンを選択する。 これらのパターンは、ローカルハンドリング、フロー制御、状態回復を含む構造化されたハンドリングエグゼキュータを通じて実行され、例外を根本原因にリンクし、構成可能な戦略を促進することでフェーズアウェアリカバリを可能にする。 本研究は,AutoPR剤のケーススタディによりシエルダの有効性を検証し,推理による例外から有効で異相回復を実証した。

関連論文リスト

• Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
  LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。 本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。 最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
  論文  参考訳（メタデータ） (2025-04-30T23:09:44Z)
• UDora: A Unified Red Teaming Framework against LLM Agents by Dynamically Hijacking Their Own Reasoning [17.448966928905733]
  外部ツールを備えた大規模言語モデル(LLM)エージェントは、複雑なタスクに対してますます強力になっている。 UDoraはLDMエージェント用に設計された統一されたレッド・チーム・フレームワークで、エージェントの推論プロセスを動的にハイジャックし、悪意ある振る舞いを強制する。
  論文  参考訳（メタデータ） (2025-02-28T21:30:28Z)
• FlowAgent: Achieving Compliance and Flexibility for Workflow Agents [31.088578094151178]
  FlowAgentは、コンプライアンスと柔軟性の両方を維持するように設計された新しいエージェントフレームワークである。 PDL を基盤として,OOW クエリを効果的に管理する LLM を支援する包括的フレームワークを開発した。 本稿では,LLMエージェントのOOWシナリオ処理能力を評価するための新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T07:59:31Z)
• Seeker: Towards Exception Safety Code Generation with Intermediate Language Agents Framework [58.36391985790157]
  現実世界のソフトウェア開発では、不適切な例外処理がコードの堅牢性と信頼性に重大な影響を与えます。 コードにおける例外処理を改善するために,大規模言語モデル (LLM) の利用について検討する。 例外処理のエキスパート開発者戦略に触発されたマルチエージェントフレームワークであるSeekerを提案する。
  論文  参考訳（メタデータ） (2024-12-16T12:35:29Z)
• Towards Exception Safety Code Generation with Intermediate Representation Agents Framework [54.03528377384397]
  大規模言語モデル(LLM)は、しばしば生成されたコードの堅牢な例外処理に苦しむ。 中間表現(IR)アプローチにより,LLM生成コードの例外安全性を実現する新しいマルチエージェントフレームワークであるSeekerを提案する。 Seekerは例外処理をScanner, Detector, Predator, Ranker, Handlerの5つの特殊エージェントに分解する。
  論文  参考訳（メタデータ） (2024-10-09T14:45:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。