論文の概要: Architecting AgentOps Needs CHANGE
- arxiv url: http://arxiv.org/abs/2601.06456v1
- Date: Sat, 10 Jan 2026 06:51:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:00.823057
- Title: Architecting AgentOps Needs CHANGE
- Title（参考訳）: アーキテクトのAgentOpsは変化を必要としている
- Abstract要約: エージェントAIシステムのアーキテクチャには、コントロールループの管理から、エージェント、インフラストラクチャ、人間の監視間の動的共進化の実現へのシフトが必要だ、と私たちは主張する。
本稿では,エージェントAIシステムを運用する6つの機能からなる概念的フレームワークを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of Agentic AI systems has outpaced the architectural thinking required to operate them effectively. These agents differ fundamentally from traditional software: their behavior is not fixed at deployment but continuously shaped by experience, feedback, and context. Applying operational principles inherited from DevOps or MLOps, built for deterministic software and traditional ML systems, assumes that system behavior can be managed through versioning, monitoring, and rollback. This assumption breaks down for Agentic AI systems whose learning trajectories diverge over time. This introduces non-determinism making system reliability a challenge at runtime. We argue that architecting such systems requires a shift from managing control loops to enabling dynamic co-evolution among agents, infrastructure, and human oversight. To guide this shift, we introduce CHANGE, a conceptual framework comprising six capabilities for operationalizing Agentic AI systems: Contextualize, Harmonize, Anticipate, Negotiate, Generate, and Evolve. CHANGE provides a foundation for architecting an AgentOps platform to manage the lifecycle of evolving Agentic AI systems, illustrated through a customer-support system scenario. In doing so, CHANGE redefines software architecture for an era where adaptation to uncertainty and continuous evolution are inherent properties of the system.
- Abstract（参考訳）: エージェントAIシステムの出現は、それらを効果的に運用するために必要なアーキテクチャ思考を上回りました。
これらのエージェントは、従来のソフトウェアと根本的に異なり、その振る舞いはデプロイメント時に固定されるのではなく、経験、フィードバック、コンテキストによって連続的に形作られます。
決定論的ソフトウェアと従来のMLシステムのために構築されたDevOpsやMLOpsから受け継がれた運用原則を適用することは、システムの振る舞いをバージョニング、監視、ロールバックを通じて管理できると仮定する。
この仮定は、時間とともに学習軌跡が多様化するエージェントAIシステムにとって破滅的なものだ。
これは非決定性を導入し、システムの信頼性は実行時に課題となる。
このようなシステムを設計するには、コントロールループの管理から、エージェント、インフラストラクチャ、人間の監視間の動的共進化の実現への移行が必要だ、と私たちは主張する。
このシフトを導くために、CHANGEというエージェントAIシステムを運用するための6つの機能からなる概念的フレームワークを紹介します。
CHANGEはAgentOpsプラットフォームを設計し、Agentic AIシステムのライフサイクルを管理する基盤を提供する。
そうすることでCHANGEは、不確実性と継続的進化への適応がシステムの固有の特性である時代において、ソフトウェアアーキテクチャを再定義する。
関連論文リスト
- Agents in the Large: Perception-Centered Architecture for Persistent Agents [66.30987129595137]
永続エージェント(Pera)のための知覚中心型アーキテクチャを提案する。
Pera氏は、サービス関連信号を継続的に知覚する知覚と制御コンポーネントを中心に組織された永続的なエージェントについて説明する。
私たちはPeraを使って、最近の作業を振り返りに整理し、詳細なケーススタディを調べ、より有能な永続的なエージェントを構築するための前向きな洞察を提供します。
論文 参考訳（メタデータ） (2026-08-31T09:04:52Z) - Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence [115.91847478507736]
LLMは言語ジェネレータから、複雑な長距離タスクが可能な自律エージェントへと進化してきた。
多くのタスクにはヘテロジニアスな専門知識、相互依存サブタスク、並列実行、独立検証、永続状態が必要である。
私たちはこれをシステムインテリジェンス(System Intelligence)と呼び、複数のインテリジェントなコンポーネントを一貫した適応的な全体へと整理し、コーディネートするエージェントシステムの能力である。
論文 参考訳（メタデータ） (2026-08-21T14:27:57Z) - Co-Evolution in Agentic Systems: Toward Self-Directed Evolution Beyond Human Design [55.30329388138526]
本調査は,複数のエージェントと環境が互いに適応的な圧力を課す多成分自己進化であるエージェントシステムの共進化に焦点を当てた。
既存の論文を整理するために,システムがどのように人為的制約を徐々に覆い隠すかを追究する,進歩的な3段階分類法を提案する。
論文 参考訳（メタデータ） (2026-08-10T23:10:40Z) - Self-Evolving Coding Agents [11.43197414613246]
自己進化型コーディングエージェントは、リポジトリを検査し、ツールを実行し、テストを実行し、障害をデバッグし、パッチを生成することができる。
まず、自己進化型プログラミングエージェントを定義し、それらを従来のコーディングエージェントや一般的な自己進化型エージェントと区別する。
実行可能なフィードバック、リポジトリレベルのコンテキスト、コーディングトラジェクトリは、ソフトウェアエンジニアリングをエージェントの自己進化のための自然なドメインとして、ユニークな役割を与えます。
論文 参考訳（メタデータ） (2026-08-04T09:43:46Z) - From AI Technical Debt to Agentic Technical Debt: A Systematic Mapping of Root Causes and Manifestations in Agentic AI Systems [11.878368077620337]
本稿では,エージェントAIシステムの自律的かつ協調的な性質から,技術的負債の発生,蓄積,伝播,増幅を前提としたエージェント技術的負債(AgTD)を紹介する。
確立されたAITDのエージェント的表現に対する最初の体系的マッピングを提示し、従来の負債がシステムレベルの負債へとどのように発展していくかを示す。
この結果から,エージェントの動作,調整機構,エージェント間のインタラクション,ツール,実行環境などを含むソフトウェアアーティファクトを超えて技術的負債が拡大していることが示唆された。
論文 参考訳（メタデータ） (2026-08-02T05:09:28Z) - Agentic Software: How AI Agents Are Restructuring the Software Paradigm [0.0]
AIエージェントの出現は、ソフトウェアが何であるかの根本的な再構成を構成すると我々は主張する。
前者では、コードは事前記述された決定論理のキャリアであり、後者では、エージェント自体が決定論理である。
セルフ進化エージェントエコシステムに向けた4段階のロードマップで締めくくります。
論文 参考訳（メタデータ） (2026-06-04T02:30:06Z) - Loosely-Structured Software: Engineering Context, Structure, and Evolution Entropy in Runtime-Rewired Multi-Agent Systems [9.34019956999278]
堅牢なマルチエージェントシステムの構築には、不確実性の下で複雑性を管理するアーキテクチャに重点を置くエンジニアリングの規律が必要である。
本稿では,決定論的論理の構成から実行時エントロピーの管理へと,工学的焦点を移すソフトウェアシステムであるemphLoosely-Structured Software (LSS)を紹介する。
論文 参考訳（メタデータ） (2026-03-16T02:07:34Z) - AgentOS: From Application Silos to a Natural Language-Driven Data Ecosystem [39.8098595660156]
本稿では,AgentOS(Personal Agent Operating System)の新たなパラダイムを提案する。
AgentOSでは、従来のGUIデスクトップは、統一された自然言語や音声ポータルを中心としたNUI(Natural User Interface)に置き換えられている。
システムコアは、ユーザの意図を解釈し、タスクを分解し、複数のエージェントをコーディネートするエージェントカーネルとなる。
論文 参考訳（メタデータ） (2026-03-09T21:13:52Z) - The Auton Agentic AI Framework [5.410458076724158]
人工知能の分野では、ジェネレーティブAIからエージェントAIへの移行が進行中である。
大規模言語モデル(LLM)は構造化されていない出力を生成するが、それらが制御しなければならないバックエンドインフラストラクチャは決定論的でスキーマに適合する入力を必要とする。
本稿では,自律エージェントの作成,作成,管理を行うための原則アーキテクチャであるAuton Agentic AI Frameworkについて述べる。
論文 参考訳（メタデータ） (2026-02-27T06:42:08Z) - From Prompt-Response to Goal-Directed Systems: The Evolution of Agentic AI Software Architecture [0.0]
Agentic AIは、ステートレスでプロンプト駆動型生成モデルからゴール指向システムへのアーキテクチャ移行を表す。
本稿では、知的エージェント理論と現代のLCM中心のアプローチを結びつけることによって、この遷移を考察する。
この研究は、標準化されたエージェントループ、登録、監査可能な制御機構への収束を特定する。
論文 参考訳（メタデータ） (2026-02-11T03:34:48Z) - Agentic Artificial Intelligence (AI): Architectures, Taxonomies, and Evaluation of Large Language Model Agents [14.448267395835721]
エージェントを知覚,脳,計画,行動,ツール利用,コラボレーションに分割する統合分類法を提案する。
また、デジタルオペレーティングシステム、エンボディロボット、その他の特殊なドメインを含む、これらのエージェントが動作する環境もグループ化します。
論文 参考訳（メタデータ） (2026-01-18T19:51:16Z) - Adaptation of Agentic AI [162.63072848575695]
我々は、急速に拡大する研究環境を、エージェント適応とツール適応の両方にまたがる体系的な枠組みに統一する。
エージェントAIにおける適応戦略の設計空間を明らかにする上で,本フレームワークが有効であることを示す。
次に、各カテゴリの代表的アプローチをレビューし、その強みと限界を分析し、主要なオープン課題と今後の機会を強調します。
論文 参考訳（メタデータ） (2025-12-18T08:38:51Z) - Agentic AI for Mobile Network RAN Management and Optimization [0.0]
エージェントAIは、大型AIモデル(LAM)を使用して複雑なシステムを自動化するための新しいパラダイムである。
本稿では,従来のエージェントからエージェントAIへの進化をたどることで,5Gおよび6GネットワークにおけるエージェントAIの継続的な研究に貢献する。
コアデザインパターン(リフレクション、計画、ツールの使用、マルチエージェントのコラボレーション)が説明され、インテリジェントな振る舞いがどのように編成されているかが説明されます。
論文 参考訳（メタデータ） (2025-11-04T12:34:57Z) - Agentsway -- Software Development Methodology for AI Agents-based Teams [4.226647687395254]
Agentswayは、AIエージェントが一流の協力者として機能するエコシステム向けに設計された、新しいソフトウェア開発フレームワークである。
このフレームワークは、計画、プロンプト、コーディング、テスト、微調整エージェントの異なる役割を定義している。
Agentswayは、次世代のAIネイティブで自己改善型のソフトウェア開発方法論に向けた基本的なステップである。
論文 参考訳（メタデータ） (2025-10-26T11:58:42Z) - From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。
静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。
本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文 参考訳（メタデータ） (2025-10-07T05:45:25Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - Agentic Web: Weaving the Next Web with AI Agents [109.13815627467514]
大規模言語モデル(LLM)を活用したAIエージェントの出現は、エージェントWebに対する重要な転換点である。
このパラダイムでは、エージェントが直接対話して、ユーザに代わって複雑なタスクを計画、コーディネート、実行します。
本稿では,エージェントWebの理解と構築のための構造化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-28T17:58:12Z) - Autonomous Deep Agent [0.7489814067742621]
Deep Agentは、複雑なマルチフェーズタスクを管理するために設計された高度な自律AIシステムである。
システムの基盤は階層型タスクDAGフレームワーク上に構築されています。
Deep Agentは、自己管理型AIシステムにおいて、新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-02-10T21:46:54Z) - Agent-as-a-Judge: Evaluate Agents with Agents [61.33974108405561]
本稿ではエージェント・アズ・ア・ジャッジ(Agent-as-a-Judge)フレームワークを紹介し,エージェント・システムを用いてエージェント・システムの評価を行う。
これはLLM-as-a-Judgeフレームワークの有機的拡張であり、タスク解決プロセス全体の中間フィードバックを可能にするエージェント的特徴を取り入れている。
55のリアルな自動化AI開発タスクのベンチマークであるDevAIを紹介します。
論文 参考訳（メタデータ） (2024-10-14T17:57:02Z) - Towards an Interface Description Template for AI-enabled Systems [77.34726150561087]
再利用(Reuse)は、システムアーキテクチャを既存のコンポーネントでインスタンス化しようとする、一般的なシステムアーキテクチャのアプローチである。
現在、コンポーネントが当初目的としていたものと異なるシステムで運用する可搬性を評価するために必要な情報の選択をガイドするフレームワークは存在しない。
我々は、AI対応コンポーネントの主情報をキャプチャするインターフェイス記述テンプレートの確立に向けて、現在進行中の作業について述べる。
論文 参考訳（メタデータ） (2020-07-13T20:30:26Z)
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。