論文の概要: Progressive Crystallization: Turning Agent Exploration into Deterministic, Lower-Cost Workflows in Production
- arxiv url: http://arxiv.org/abs/2607.07052v1
- Date: Wed, 08 Jul 2026 06:27:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.306661
- Title: Progressive Crystallization: Turning Agent Exploration into Deterministic, Lower-Cost Workflows in Production
- Title（参考訳）: プログレッシブ結晶化:生産における決定論的低コストワークフローへのエージェント探索の転換
- Authors: Arun Malik,
- Abstract要約: 本稿では, 恒久的な実行モデルではなく, エージェント探索を発見として扱うライフサイクルである, プログレッシブ結晶化を導入する。
月に数万件のインシデントを処理する実運用クラウドネットワーキングAIOpsシステムに基づいて評価されたこのアプローチは、決定論的実行を8ヶ月で0%から45%に増やした。
- 参考スコア（独自算出の注目度）: 0.33842793760651557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI agents deployed for IT operations are typically permanent cost centers because every execution requires full LLM inference, even for previously solved problems. This paper introduces progressive crystallization, a lifecycle that treats agent exploration as a discovery mechanism rather than a permanent execution model. It defines a three-stage execution taxonomy, from fully agent-orchestrated to hybrid to fully deterministic workflows, together with an evidence-based promotion mechanism that converts repeatedly validated agent behaviors into cheaper and more reproducible deterministic workflows, while automatically demoting workflows that regress. Evaluated on a production cloud networking AIOps system processing tens of thousands of incidents per month, the approach increased deterministic execution from 0% to 45% over eight months, reduced per-incident agent costs by more than 70% despite doubling incident volume, and improved safety through greater reproducibility and auditability. The paper also presents the execution taxonomy, promotion and demotion criteria, trace extraction methodology, economic model, safety considerations, and discusses limitations and threats to validity.
- Abstract（参考訳）: ITオペレーションのためにデプロイされるAIエージェントは、通常、永続的なコストセンタである。
本稿では, エージェント探索を恒久的な実行モデルではなく, 発見機構として扱うライフサイクルである, プログレッシブ結晶化を導入する。
完全なエージェントオーケストレーションから、完全な決定論的ワークフローまで、そして、繰り返し検証されたエージェントの振る舞いをより安く再現可能な決定論的ワークフローに変換するエビデンスベースのプロモーションメカニズムとともに、3段階の実行分類を定義する。
月に数万件のインシデントを処理する運用クラウドネットワークAIOpsシステムに基づいて評価されたこのアプローチは、決定論的実行を8ヶ月で0%から45%に増加し、インシデントボリュームが倍増しているにも関わらず、インシデント毎のエージェントコストを70%以上削減し、再現性と監査性の向上を通じて安全性を改善した。
また, 行動分類, 促進・脱落基準, トレース抽出手法, 経済モデル, 安全性を考慮した検討を行い, 有効性に対する限界と脅威について論じる。
関連論文リスト
- Agentomics: Economic Foundations for the Valuation, Attribution, and Pricing of AI Agents in Human-AI Workflows [20.036142577511455]
本稿では,ヒトおよび人工エージェントの評価,帰属,価格設定のためのフレームワークであるemphAgentomicsを紹介する。
セキュリティ運用ケーススタディでは、ハイブリッドなヒューマンAI-AIにおける生産性向上、デプロイメントコスト、信頼性損失、連立レベルの相補性について、フレームワークがどのように説明されているかが示されている。
論文 参考訳（メタデータ） (2026-06-09T03:28:14Z) - Plan First, Judge Later, Run Better: A DMAIC-Inspired Agentic System for Industrial Anomaly Detection [51.90293101535452]
本稿では, DMAIC-IAD (DMAIC-inspired Agentic Industrial Anomaly Detection) というマルチエージェントシステムを提案する。
DMAIC-IADは,適用対象のエージェントベースラインに対する平均検出性能を37.76%向上させる。
論文 参考訳（メタデータ） (2026-06-03T08:38:14Z) - ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。
Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文 参考訳（メタデータ） (2026-05-11T16:20:51Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - Claw-Eval-Live: A Live Agent Benchmark for Evolving Real-World Workflows [67.92316850084575]
ワークフローエージェントのライブベンチマークであるClaw-Eval-Liveを紹介する。
各リリースは、公開ワークフロー要求信号から構築される。
Claw-Eval-Liveは実行トレース、監査ログ、サービス状態、実行後のワークスペースアーティファクトを記録する。
論文 参考訳（メタデータ） (2026-04-30T17:23:19Z) - OOM-RL: Out-of-Money Reinforcement Learning Market-Driven Alignment for LLM-Based Multi-Agent Systems [4.970665847294818]
目的的アライメントパラダイムとして textbfOut-of-Money Reinforcement Learning (OOM-RL) を導入する。
本研究は,ハイターン・サイコファンティック・ベースラインから,ロバストで流動性に配慮したアーキテクチャへのシステム進化を詳述する。
我々は、厳格な経済罰と主観的人間選好の代用が、実環境における自律的エージェントの整合のための堅牢な方法論を提供すると結論付けている。
論文 参考訳（メタデータ） (2026-04-13T13:45:42Z) - Utility-Guided Agent Orchestration for Efficient LLM Tool Use [24.97962970486756]
エージェントオーケストレーションを明示的な決定問題として研究する。
本稿では、応答、検索、ツール呼び出し、検証、停止などのアクションの中から選択するユーティリティ誘導オーケストレーションポリシーを提案する。
論文 参考訳（メタデータ） (2026-03-20T12:29:12Z) - Constrained Process Maps for Multi-Agent Generative AI Workflows [10.871587311621974]
大規模言語モデル(LLM)ベースのエージェントは、コンプライアンスやデューディリジェンスといった規制された設定において、ますます使われている。
有限水平マルコフ決定過程 (MDP) として定式化された多エージェントシステムを導入する。
モンテカルロ推定(英語版)を用いて、疫学的不確実性はエージェントレベルで定量化され、システムレベルの不確実性は、自動ラベル付き状態またはヒトレビュー状態のいずれかで、MDPの終了によって捉えられる。
論文 参考訳（メタデータ） (2026-02-02T12:32:11Z) - Reinforcement Learning for Dynamic Workflow Optimization in CI/CD Pipelines [0.0]
本稿では,CI/CDパイプラインを動的に最適化するための強化学習(RL)アプローチを提案する。
パイプラインはMarkov Decision Processとしてモデル化され、RLエージェントがフル、部分的、テスト実行なしなどのランタイム決定を行うようにトレーニングされている。
実験の結果,RL最適化パイプラインはスループットが最大30%向上し,テスト実行時間が約25%削減された。
論文 参考訳（メタデータ） (2026-01-15T05:19:46Z)
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。