論文の概要: ASTRA - Agentic System for Ticket Resolution and Analysis
- arxiv url: http://arxiv.org/abs/2608.28790v1
- Date: Fri, 28 Aug 2026 18:50:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.7467
- Title: ASTRA - Agentic System for Ticket Resolution and Analysis
- Title（参考訳）: ASTRA - チケット分解能分析のためのエージェントシステム
- Abstract要約: ASTRAは、中央オーケストレータが3つの専門的な情報収集エージェントをコーディネートするチケット解決のためのエージェントシステムである。
TicketSimilarityAgentは、密集した検索とLLMの再分類を通じて、関連する歴史的な前例を検索する。
LogAgentは、数十万のログ行を、構造化された、引用された結果に蒸留する。
DomainKnowledgeAgentは、Model Context Protocolを通じて関連する技術知識を取得する。
- 参考スコア（独自算出の注目度）: 3.0724026668543174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Technical operations teams resolve large volumes of incidents by synthesizing fragmented evidence from ticket text, historical cases, system logs, and technical documentation. Existing automation often relies on monolithic generation without explicit evidence modeling or provenance, making outputs difficult to verify when critical signals are sparse across sources. We propose ASTRA, an agentic system for ticket resolution in which a central orchestrator coordinates three specialist information-gathering agents and drives a judge-orchestrator refinement loop to produce evidence-backed troubleshooting reports. TicketSimilarityAgent retrieves relevant historical precedents through dense retrieval and LLM reranking; LogAgent distills hundreds of thousands of log lines into structured, quote-grounded findings using deterministic filtering and constrained LLM analysis; and DomainKnowledgeAgent retrieves relevant technical knowledge via the Model Context Protocol (MCP). Their outputs are transformed into a claim-evidence representation linking each claim to a verbatim source passage, assigning a support level, and preventing cross-attribution. A JudgeAgent scores the report on five criteria, while the OrchestratorAgent converts low scores into targeted follow-up queries for bounded iterative refinement. Evaluated on 987 real-world telecom fault tickets across seven product lines, ASTRA achieves a mean quality score of 4.13/5.0, with 59.9% of reports identifying the fault area at the component-family level or better. Relevance and Clarity scores are 4.88 and 4.94, respectively, while fabricated technical details remain below 3% of error cases. Stratification by fault type reveals that hardware faults remain substantially harder than software or configuration faults (Cohen's d=0.80), pointing to a fundamental limitation of text-based evidence channels for hardware fault diagnosis.
- Abstract（参考訳）: 技術的運用チームは、チケットテキスト、歴史的なケース、システムログ、および技術ドキュメントから断片化された証拠を合成することで、大量のインシデントを解決する。
既存の自動化は、明示的なエビデンスモデリングや証明なしにモノリシックな生成に依存しており、出力がソース間で重要な信号が分散しているかどうかを検証するのが困難である。
本稿では,中央オーケストレータが3つの専門情報収集エージェントをコーディネートし,判断オーケストレータリファインメントループを駆動し,証拠を裏付けるトラブルシューティングレポートを生成する,チケット解決のためのエージェントシステムASTRAを提案する。
TicketSimilarityAgentは、密集した検索とLLMの再評価を通じて、関連する歴史的な前例を検索し、LogAgentは決定論的フィルタリングと制約付きLLM分析を使用して、数十万のログ行を構造化された引用地上の発見に蒸留し、DomainKnowledgeAgentはモデルコンテキストプロトコル(MCP)を介して関連する技術知識を検索する。
それらの出力は、各クレームを冗長なソースパスにリンクし、サポートレベルを割り当て、クロスアトリビューションを防止するクレーム-エビデンス表現に変換される。
審査員Agentは5つの基準でレポートをスコアし、OrchestratorAgentは低いスコアを目的の追従クエリに変換する。
ASTRAは7つの製品ラインで987のリアルタイム通信障害チケットを評価し、平均品質スコアは4.13/5.0であり、59.9%の報告では、コンポーネントファミリーレベル以上の障害領域を識別している。
関連性スコアと明確度スコアはそれぞれ4.88と4.94であり、製造された技術的詳細はエラーケースの3%以下である。
フォールトタイプによるストラテフィケーションは、ハードウェアの欠陥がソフトウェアや構成上の欠陥(コーエンのd=0.80)よりも著しく困難であることを示し、ハードウェアの故障診断のためのテキストベースのエビデンスチャネルの根本的な制限を指摘した。
関連論文リスト
- Who is the Agent to Blame? Localizing Faithfulness and Citation Mistakes in Agentic Deep Research [75.8770212601511]
ディープリサーチ(DR)システムは、Webから情報を検索して合成する複数のエージェントを編成することで、長い形式の引用レポートを生成する。
循環はこれらの報告の忠実さを評価するための主要なメカニズムであるが、現在のDRシステムでは引用のリコールが不十分である。
そこで本稿では,エージェントが各エラーをローカルにテストすることで,各エラーをピンポイントで検出する手法を提案する。
論文 参考訳（メタデータ） (2026-08-25T09:34:18Z) - TRACE: TRajectory Attribution for Automated Context Engineering [2.332848751256598]
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。
論文 参考訳（メタデータ） (2026-08-10T06:01:03Z) - SearchAuditor: Auditing and Attributing Failures in Long-Horizon Search Agents [56.400332595452966]
我々は、監査人が検索エージェントの障害をローカライズ、属性付け、修復できるかどうかを評価するベンチマークであるSearchAuditBenchを紹介する。
SearchAuditBenchは1,243の障害トラックで構成され、平均73.1メッセージと65.1Kトークンを5つのディープサーチベンチマークで8つのオープンウェイトモデルから収集している。
本稿では,検索エージェントの障害を効果的にローカライズ,属性,修復するマルチパースペクティブ監査フレームワークであるSearchAuditorを提案する。
論文 参考訳（メタデータ） (2026-08-05T09:09:00Z) - Where Do Deep-Research Agents Go Wrong? Span-Level Error Localization in Agent Trajectories [51.22051230894794]
最終回答に基づく評価は、エージェントが成功するかどうかを示すが、どの部分の軌道が答えを信頼できないかを示すものではない。
2つのエージェントフレームワーク、3つのバックボーンモデル、3つのベンチマークから2,790の実際のトラジェクトリを収集し、生ログをセマンティックスパンに変換し、エキスパートレビューを通じて有害なエラースパンを注釈付けします。
我々は,エージェントの主張を追跡するクレーム中心の監査フレームワークであるDRIFTを提案する。
論文 参考訳（メタデータ） (2026-06-01T10:50:26Z) - Towards Multi-Agent Autonomous Reasoning in Hydrodynamics [0.06999740786886537]
本稿では,多エージェントをレイヤ実行グラフ(LEG)を介して協調させる,流体力学のためのマルチエージェントシステム(MAS)のプロトタイプを提案する。
プランナーエージェントは、ドメイン知識を厳密な制御ロジックとしてハードコーディングすることなく、自然言語ルーティングからクエリ固有の実行トポロジを構築する。
レポーターエージェントが最終応答を合成し、ランタイムが監査性をサポートするためのツール呼び出し毎に証明をログする。
論文 参考訳（メタデータ） (2026-05-01T21:17:55Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance [0.22940141855172028]
本稿では,Large Language Models (LLM) を用いたエージェントAIシステムの保証フレームワークを提案する。
実行は、明示的なステップとトレースコントラクトを備えたメッセージ・アクション・トレース(MAT)として実装される。
このフレームワークは、有界摂動に対する予算付き反例探索として定式化されたストレステストを含む。
論文 参考訳（メタデータ） (2026-03-18T10:23:48Z) - Arbiter: Detecting Interference in LLM Agent System Prompts [0.0]
Arbiterは、システムプロンプト内の干渉パターンを検出するために、形式的評価ルールとマルチモデルLCMスカーリングを組み合わせたフレームワークである。
Claude Code (Anthropic), Codex CLI (OpenAI), Gemini CLI (Google)の3つの主要なコーディングエージェントシステムに適用される。
論文 参考訳（メタデータ） (2026-03-09T22:29:47Z) - 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) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。
本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。
最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
論文 参考訳（メタデータ） (2025-04-30T23:09:44Z)
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。