論文の概要: Efficient Failure Management for Multi-Agent Systems with Reasoning Trace Representation
- arxiv url: http://arxiv.org/abs/2603.21522v1
- Date: Mon, 23 Mar 2026 03:31:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.460865
- Title: Efficient Failure Management for Multi-Agent Systems with Reasoning Trace Representation
- Title（参考訳）: トレース表現を考慮したマルチエージェントシステムの効率的な故障管理
- Authors: Lingzhe Zhang, Tong Jia, Mingyu Wang, Weijie Hong, Chiming Duan, Minghua He, Rongqian Wang, Xi Peng, Meiling Wang, Gong Zhang, Renhai Chen, Ying Li,
- Abstract要約: 推論トレース表現に基づくマルチエージェントシステムのための効率的な障害管理フレームワークである textbfEAGER を提案する。
EAGERは、教師なし推論スコープによるコントラスト学習を用いて、エージェント内推論とエージェント間調整の両方を符号化する。
3つのオープンソースMASに関する予備評価は、EAGERの有効性を示している。
- 参考スコア（独自算出の注目度）: 23.96013849484881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLM)-based Multi-Agent Systems (MASs) have emerged as a new paradigm in software system design, increasingly demonstrating strong reasoning and collaboration capabilities. As these systems become more complex and autonomous, effective failure management is essential to ensure reliability and availability. However, existing approaches often rely on per-trace reasoning, which leads to low efficiency, and neglect historical failure patterns, limiting diagnostic accuracy. In this paper, we conduct a preliminary empirical study to demonstrate the necessity, potential, and challenges of leveraging historical failure patterns to enhance failure management in MASs. Building on this insight, we propose \textbf{EAGER}, an efficient failure management framework for multi-agent systems based on reasoning trace representation. EAGER employs unsupervised reasoning-scoped contrastive learning to encode both intra-agent reasoning and inter-agent coordination, enabling real-time step-wise failure detection, diagnosis, and reflexive mitigation guided by historical failure knowledge. Preliminary evaluations on three open-source MASs demonstrate the effectiveness of EAGER and highlight promising directions for future research in reliable multi-agent system operations.
- Abstract（参考訳）: 大規模言語モデル (LLM) ベースのマルチエージェントシステム (MAS) は,ソフトウェアシステム設計における新たなパラダイムとして登場し,強力な推論とコラボレーション能力が強まっている。
これらのシステムがより複雑で自律的になると、信頼性と可用性を確保するために効果的な障害管理が不可欠になります。
しかし、既存のアプローチはトラス毎の推論に依存しており、効率が低下し、過去の障害パターンを無視し、診断精度を制限している。
本稿では,MASにおける障害管理を強化するために,過去の障害パターンを活用する必要性,可能性,課題を実証するための予備的研究を行う。
この知見に基づいて、推論トレース表現に基づくマルチエージェントシステムのための効率的な障害管理フレームワークである「textbf{EAGER}」を提案する。
EAGERは、教師なし推論・コントラスト学習を用いて、エージェント内推論とエージェント間調整の両方を符号化し、歴史的障害知識によって導かれるリアルタイムのステップワイド障害検出、診断、反射緩和を可能にする。
3つのオープンソースMASに関する予備評価は、EAGERの有効性を示し、信頼性の高いマルチエージェントシステムオペレーションにおける将来的な研究の方向性を強調している。
関連論文リスト
- MAS-FIRE: Fault Injection and Reliability Evaluation for LLM-Based Multi-Agent Systems [38.44649280816596]
マルチエージェントシステムの障害注入と信頼性評価のための体系的フレームワークMAS-FIREを提案する。
エージェント内認知障害とエージェント間協調障害を対象とする15種類の障害分類を定義した。
MAS-FIREを3つの代表的なMASアーキテクチャに適用することにより、フォールトトレラントな動作の豊富なセットを明らかにする。
論文 参考訳（メタデータ） (2026-02-23T13:47:43Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z) - From Observability Data to Diagnosis: An Evolving Multi-agent System for Incident Management in Cloud Systems [9.492890623016335]
OpsAgentは、インシデント管理のための軽量で自己進化型のマルチエージェントシステムである。
トレーニング不要のデータプロセッサを使用して、異種可観測データを構造化されたテキスト記述に変換する。
OpsAgentは一般化可能で、解釈可能で、コスト効率が高く、自己進化的です。
論文 参考訳（メタデータ） (2025-10-28T07:38:15Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Testing and Enhancing Multi-Agent Systems for Robust Code Generation [21.38351747327572]
自動コード生成のための有望なパラダイムとしてマルチエージェントシステム(MAS)が登場した。
繁栄と採用にもかかわらず、その頑丈さはいまだに過小評価されている。
本稿ではファジィテストによるコード生成のためのMASのロバスト性を検証した最初の総合的研究について述べる。
論文 参考訳（メタデータ） (2025-10-12T05:45:04Z) - Exploring Autonomous Agents: A Closer Look at Why They Fail When Completing Tasks [8.218266805768687]
我々は、自律エージェントを厳格に評価するために設計された34のプログラム可能なタスクのベンチマークを示す。
LLMバックボーンと組み合わせた3つの人気のあるオープンソースエージェントフレームワークを評価し,タスク完了率約50%を観察した。
我々は,障害の原因を3段階に分類し,計画上のエラー,タスク実行の問題,誤った応答生成を強調する。
論文 参考訳（メタデータ） (2025-08-18T17:55:22Z) - Revisiting Multi-Agent Debate as Test-Time Scaling: A Systematic Study of Conditional Effectiveness [50.29739337771454]
マルチエージェントの議論(MAD)アプローチは、モノリシックモデルに対する推論、堅牢性、多様な視点を提供する。
本稿では,MADを実験時間計算のスケーリング手法として概念化し,協調的な改良と多様な探索能力で区別する。
我々は、MADと強力なセルフエージェントテストタイムスケーリングベースラインを数学的推論と安全関連タスクに基づいて比較した総合的な実証的研究を行う。
論文 参考訳（メタデータ） (2025-05-29T01:02:55Z) - Why Do Multi-Agent LLM Systems Fail? [87.90075668488434]
MAST-Dataは7つの人気のあるMASフレームワークで収集された1600以上の注釈付きトレースの包括的なデータセットである。
我々はMAST(Multi-Agent System Failure Taxonomy)を初めて構築する。
MASTとMAST-Dataを利用して、モデル(GPT4、Claude 3、Qwen2.5、CodeLlama)とタスク(コーディング、数学、汎用エージェント)の障害パターンを分析します。
論文 参考訳（メタデータ） (2025-03-17T19:04:38Z)
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。