論文の概要: TRACE: TRajectory Attribution for Automated Context Engineering

• arxiv url: http://arxiv.org/abs/2608.09153v1
• Date: Mon, 10 Aug 2026 06:01:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.099608
• Title: TRACE: TRajectory Attribution for Automated Context Engineering
• Title（参考訳）: TRACE:TRajectory Attribution for Automated Context Engineering
• Authors: Yikai Zhao, Pradeep Kumar Misra, Saurabh Pandey,
• Abstract要約: 本稿では,履歴エージェントのトラジェクトリをマイニングし,コンテキスト障害の診断と修正を行う自動フィードバックループTRACEを提案する。 モデルファインチューニングとは異なり、TRACEはコンテキスト層上で動作し、再トレーニングせずに迅速なイテレーションを可能にする。 3つの複雑性レベルにまたがる60の不満トレースでは、TRACEは72.7%の根本原因属性と82%のエンドツーエンドの修正効率を達成する。
• 参考スコア（独自算出の注目度）: 2.332848751256598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Production AI agents fail when their context sources -- system prompts, knowledge bases, tool descriptions, and procedural skills -- contain errors or gaps. Current maintenance relies on manual log review and ad-hoc debugging, creating a scalability bottleneck as interaction volume grows. We present TRACE (TRajectory Attribution for Automated Context Engineering), an automated feedback loop that mines historical agent trajectories to diagnose and remediate context failures. Our key insight is that trajectories are rich with implicit dissatisfaction signals -- user corrections, rephrasing, abandonment cues -- that reveal precisely where context sources failed, without explicit feedback collection. Unlike model fine-tuning, TRACE operates on the context layer, enabling rapid iteration without retraining. We make four contributions: (1) a trajectory mining framework that systematically extracts diagnostic information from historical agent executions; (2) multi-component causal attribution that extends textual gradients from monolithic prompt optimization to heterogeneous context sources (skills, knowledge bases, tools, prompts); (3) exploratory verification, where agents actively read context sources to distinguish content gaps requiring CREATE from stale content requiring UPDATE, achieving 96% operation accuracy; and (4) a reusable simulation methodology and verifiable benchmark addressing the absence of open datasets for context debugging, with a six-category fault taxonomy, ground truth annotations, and a cross-layer verification protocol. On 60 dissatisfaction traces spanning three complexity tiers (up to 16 execution nodes), TRACE achieves 72.7% root cause attribution and 82% end-to-end fix effectiveness, showing that over 80% of context-layer failures can be automatically diagnosed and remediated by mining historical trajectories, an overlooked resource in production systems.
• Abstract（参考訳）: 生産AIエージェントは、コンテキストソース(システムプロンプト、知識ベース、ツール記述、手続きスキル)がエラーやギャップを含むと失敗する。 現在のメンテナンスは手動のログレビューとアドホックなデバッグに依存しており、インタラクションのボリュームが増加するにつれてスケーラビリティのボトルネックが生じる。 TRACE(TRajectory Attribution for Automated Context Engineering)は、履歴エージェントのトラジェクトリをマイニングし、コンテキスト障害の診断と修正を行う自動フィードバックループである。 私たちの重要な洞察は、トラジェクトリには暗黙の不満信号 -- ユーザの修正、言い換え、放棄のヒント -- が豊富にあるということです。 モデルファインチューニングとは異なり、TRACEはコンテキスト層上で動作し、再トレーニングせずに迅速なイテレーションを可能にする。 1) 歴史的エージェントの実行から診断情報を体系的に抽出するトラジェクトリマイニングフレームワーク,(2) モノリシックなプロンプト最適化から異種コンテキストソース(スキル,知識ベース,ツール,プロンプト)へのテキストグラデーションを拡張した多成分因果属性,(3) 探索的検証,(3) エージェントがコンテキストソースを積極的に読み取ってUPDATEを必要とするコンテンツギャップを識別し,96%の操作精度を達成し,(4) 再利用可能なシミュレーション手法と検証ベンチマークにより,コンテキストデバッグのためのオープンデータセットの欠如に対処する6つのカテゴリのフォールトポノミー,地上真実アノテーション,およびクロスレイヤープロトコルを検証した。 3つの複雑性層(最大16の実行ノード)にまたがる60の不満トレースにおいて、TRACEは72.7%の根本原因帰属と82%のエンドツーエンドの修正効率を達成した。

関連論文リスト

• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• TrajAudit: Automated Failure Diagnosis for Agentic Coding Systems [18.833806809109536]
  エージェントシステムは、バグ修正などのソフトウェアエンジニアリングジョブを自動化するために広く研究されている。 既存の自動故障診断アプローチはタスク実行軌跡を活用するが、その効果は軌道長と複雑性の増加とともに低下する。 リポジトリレベルのコーディングタスクには、冗長なプログラム構造や冗長なコードコンテキストなど、トラジェクトリにはノイズが伴っている。 我々は,リポジトリレベルのコーディングトラジェクトリのための最初の障害診断フレームワークであるTrajAuditを提案する。
  論文  参考訳（メタデータ） (2026-05-26T05:24:37Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• BLAgent: Agentic RAG for File-Level Bug Localization [2.2917707112773593]
  BLAgentはファイルレベルのバグローカライゼーションのための新しいエージェントRAGフレームワークである。 BLAgentは、オープンソースモデルで78%以上のTop-1精度を達成した。 BLAgentは、エンドツーエンドの修復の成功を20%以上改善する。
  論文  参考訳（メタデータ） (2026-05-18T07:20:13Z)
• Knowledge Graphs, the Missing Link in Agentic AI-based Formal Verification [1.9085643829335266]
  この研究は、仕様、RTL、フォーマルツールフィードバックから抽出された構造化中間表現(IR)から構築された検証中心の知識グラフ(KG)を構築する。 KGは要求、設計階層、信号、仮定、プロパティをリンクし、生成のためのトレース可能で設計上のコンテキストを提供する。 7つのベンチマーク設計による評価は、KGベースのコンテキスト検索が仕様からRTLのグラウンド化を改善し、コンパイル可能なSVAを一貫して生成することを示している。
  論文  参考訳（メタデータ） (2026-05-07T15:35:53Z)
• Bian Que: An Agentic Framework with Flexible Skill Arrangement for Online System Operations [19.829321356625428]
  Bian Queは、監視、警告応答、根本原因分析のためのエージェントフレームワークである。 これは中国の主要なショートビデオプラットフォームであるKuaiShouのeコマース検索エンジン上に展開された。 警告ボリュームを75%削減し、80%の根源解析精度を実現し、平均分解時間を50%以上削減する。
  論文  参考訳（メタデータ） (2026-04-29T15:35:01Z)
• Attributing Response to Context: A Jensen-Shannon Divergence Driven Mechanistic Study of Context Attribution in Retrieval-Augmented Generation [52.3707788779464]
  我々は、コンテキストに対する属性応答(ARC-JSD)のための新しいJensen-Shannon Divergence駆動方式を提案する。 ARC-JSDは、追加の微調整、勾配計算、サロゲートモデリングなしで、重要な文脈文の効率的かつ正確な識別を可能にする。 TyDi QA, Hotpot QA, Musique など,様々なスケールの命令調整 LLM を用いたRAG ベンチマークの評価により,精度が向上し,計算効率が向上した。
  論文  参考訳（メタデータ） (2025-05-22T09:04:03Z)
• Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
  生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。 FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。 テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-14T18:41:54Z)
• Gradient Imitation Reinforcement Learning for General Low-Resource Information Extraction [80.64518530825801]
  本研究では,ラベル付きデータに対する勾配降下方向を模倣するために擬似ラベル付きデータを奨励するグラディエント強化学習法(GIRL)を開発した。 GIRLを利用して、低リソース設定ですべてのIEサブタスク(エンティティ認識、関係抽出、イベント抽出)を解決します。
  論文  参考訳（メタデータ） (2022-11-11T05:37:19Z)

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。