論文の概要: Leveraging Trajectory Graphs for Pre-Execution Error Diagnosis in Agentic LLM Systems

• arxiv url: http://arxiv.org/abs/2607.27443v1
• Date: Wed, 29 Jul 2026 20:14:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.320599
• Title: Leveraging Trajectory Graphs for Pre-Execution Error Diagnosis in Agentic LLM Systems
• Title（参考訳）: エージェントLDMシステムにおける前処理誤差診断のための軌道グラフの活用
• Abstract要約: LLM(Large Language Model)ベースのエージェントは、様々な複雑な対話的タスクにおいて、例外的なパフォーマンスを示す。 textitTrajectory Graph Copilot は LLM エージェントの副操縦士' として機能する新しいフレームワークで,実行前に潜在的な動作エラーを診断する。
• 参考スコア（独自算出の注目度）: 47.66236392009794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model~(LLM)-based agents have demonstrated exceptional performance across a wide range of complex interactive tasks. However, they often struggle with long-horizon interactive tasks common in domains, such as embodied AI. The complexity and vast action spaces in these settings lead to compounding errors, where a single suboptimal action can derail an entire trajectory, causing the agent to exhaust its limited step budget on inefficient or unrecoverable paths. To overcome this without costly fine-tuning, we draw inspiration from software debugging, where execution logs are analyzed to preemptively catch errors. We propose \textit{Trajectory Graph Copilot}, a novel framework that acts as a ``copilot'' for LLM agents by diagnosing potential action errors before they are executed. At its core,\textit{Graph Debugger} models historical trajectories as a probabilistic graph and uses a Graph Neural Network to identify sequential action patterns that frequently lead to failure. Functioning as a proactive diagnostic sandbox, our method provides early warnings on potentially flawed actions, prompting the agent to self-correct. This pre-action error diagnosis prevents costly mistakes, significantly enhancing the agent's ability to complete long-horizon tasks successfully. The extensive experiments on four benchmarks with three LLM agents demonstrate a $14.69\%$ pass ratio improvement on average.
• Abstract（参考訳）: 大規模言語モデル~(LLM)ベースのエージェントは、様々な複雑な対話的タスクにおいて、例外的なパフォーマンスを示した。 しかし、彼らはしばしば、具体化されたAIのようなドメインで共通する長期の対話的タスクに苦労する。 これらの設定の複雑さと広大なアクション空間は、単一の最適動作が全軌道を脱線させ、エージェントが非効率または保存不可能な経路で限られたステップ予算を浪費する、複雑なエラーを引き起こす。 コストのかかる微調整をせずにこれを克服するため、ソフトウェアデバッグからインスピレーションを得て、実行ログを解析してエラーを事前にキャッチする。 本稿では, LLM エージェントの ‘copilot' として機能する新しいフレームワークである \textit{Trajectory Graph Copilot} を提案する。 その中核である\textit{Graph Debugger}は、履歴トラジェクトリを確率グラフとしてモデル化し、グラフニューラルネットワークを使用して、頻繁に失敗につながるシーケンシャルなアクションパターンを識別する。 プロアクティブな診断用サンドボックスとしての機能として,本手法は潜在的な欠陥を早期に警告し,エージェントの自己修正を促す。 このプレアクションエラー診断は、コストのかかるミスを防止し、エージェントの長期タスクを正常に完了させる能力を大幅に向上させる。 3つのLSMエージェントによる4つのベンチマークに関する広範な実験では、平均14.69 %$パス比の改善が示されている。

関連論文リスト

• Adaptive Influence Graphs for Failure Attribution in Multi-Agent Systems [16.78530745432555]
  本稿では,2段階のエージェントフレームワークであるAdaptive Influence Graphs(AIGs)を紹介する。 複数のモデルにまたがって、よりリッチなトレース表現がフェール属性を継続的に改善することを示す。 この仮説は、帰属は診断モデルだけでなく、どのようにトレースが表現され、探索されるかにも依存する、という我々の仮説を裏付けるものである。
  論文  参考訳（メタデータ） (2026-08-25T10:18:19Z)
• TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories [48.638067300108276]
  臨界エラー検出は、最終失敗の原因となる軌道上の最初期のエラーステップを見つけることを目的としている。 長い軌道は、ステップを判断する証拠は遠方の指示、観察、事前の文脈に散らばっているため、個々のエラーを特定するのを困難にしている。 長距離エラー検出に対処するエラーライフサイクルトレースフレームワークであるTraj Debugを提案する。
  論文  参考訳（メタデータ） (2026-08-06T17:51:20Z)
• Experience Memory Graph: One-Shot Error Correction for Agents [9.23684438376937]
  大規模言語モデル(LLM)エージェントは、エラーを複雑にし、障害から回復するのに苦労する。 既存の自己補正機構は本質的に不安定なプロンプトベースの反射に依存している。 本稿では,エージェント障害回復をグラフマッチング問題として再構成するフレームワークであるExperience Memory Graph (EMG)を提案する。
  論文  参考訳（メタデータ） (2026-07-15T14:33:15Z)
• Towards Self-Improving Error Diagnosis in Multi-Agent Systems [31.04613892300063]
  セマンティック障害帰属のための自己改善フレームワークであるErrorProbeを紹介する。 ErrorProbeは、責任あるエージェントと発生したエラーステップを特定する。 検証されたエピソードメモリを維持しており、実行可能証拠によってエラーパターンが確認された場合にのみ更新される。
  論文  参考訳（メタデータ） (2026-04-19T23:13:05Z)
• AgentTrace: Causal Graph Tracing for Root Cause Analysis in Deployed Multi-Agent Systems [0.0]
  本稿では,デプロイされたマルチエージェントAIシステムにおけるポストホック障害診断のための軽量因果トレースフレームワークであるAgentTraceを紹介する。 AgentTraceは、実行ログから因果グラフを再構築し、エラー発生から後方にトレースし、解釈可能な構造信号と位置信号を使って候補根本原因をランク付けする。 この結果から,因果トレースはエージェントシステムの信頼性と信頼性を向上させるための実践的な基盤となることが示唆された。
  論文  参考訳（メタデータ） (2026-03-16T00:46:44Z)
• AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
  我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。 ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。 探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
  論文  参考訳（メタデータ） (2026-03-15T16:13:58Z)
• AgentRx: Diagnosing AI Agent Failures from Execution Trajectories [9.61742219198197]
  構造化されたAPI、インシデント管理、オープンなWeb/ファイルタスクにまたがる115の障害トラジェクトリのベンチマークをリリースする。 各トラジェクトリには、臨界障害ステップと、基底理論から派生したクロスドメイン障害分類のカテゴリが注釈付けされている。 本稿では,ドメインに依存しない自動診断フレームワークであるAgentRXについて述べる。
  論文  参考訳（メタデータ） (2026-02-02T18:54:07Z)
• 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)
• 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)
• Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。 単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。 現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。 AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
  論文  参考訳（メタデータ） (2025-09-29T18:20:27Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)

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。