論文の概要: AegisFlow: A Multi-Agent Agentic AI Framework for Autonomous Remediation and Self-Healing in Fragile Data Ecosystems
- arxiv url: http://arxiv.org/abs/2610.06971v1
- Date: Sat, 03 Oct 2026 19:12:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.484382
- Title: AegisFlow: A Multi-Agent Agentic AI Framework for Autonomous Remediation and Self-Healing in Fragile Data Ecosystems
- Title（参考訳）: AegisFlow: 脆弱なデータエコシステムにおける自律的修復と自己修復のためのマルチエージェントAIフレームワーク
- Abstract要約: 本稿では,検出と分解のループを閉じる新しいエージェントフレームワークであるAegisFlowを提案する。
AegisFlowはWatchdogエージェントを使用してランタイムテレメトリを収集し、コードパッチを自動生成、テスト、デプロイする修復エージェントを備えている。
AegisFlowは98%のエンジニアを消防活動から解放し、イノベーションに向けて再配置する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traditional data pipelines are notoriously brittle, often failing due to upstream schema drift, API contract changes, or website DOM modifications. Present observability tools only raise alerts but for human engineers, resulting in a high Mean Time to Repair (MTTR) and operational fatigue. In this paper we propose AegisFlow (Agentic Engine for Intelligent Self-healing and Graph-driven Operations for Workload remediation), a novel agentic framework that closes the loop between detection and resolution. AegisFlow uses a Watchdog agent to collect runtime telemetry and has a Repair agent to automatically create, test and deploy code patches based on Large Language Models (LLMs). The framework presents the non-intrusive execution model called Parallel Shadow Patching, a non-intrusive execution model based on the Monitor, Analyze, Plan, Execute, Knowledge (MAPE-K) loop to generate and verify patches in digital twin environments. Through experimental testing, we have evaluated AegisFlow across five common failure scenarios, and see 98.1 percent improvement in MTTR (from an average of 170 minutes per patch to 3.2 minutes) and a patch success rate of 92 percent . In particular, the system is successful in dealing with changes in the JSON schema (96 percent ) and punctuation drift (98 percent ), and is least successful in Shadow DOM cases (85 percent ). AegisFlow frees up about 98 percent of data engineering on-call time from firefighting and reallocates it towards innovation. The framework is deployment agnostic consisting of a system that can be deployed in a plugin fashion into an existing pipeline orchestration system with minimal uplift to the existing system.
- Abstract（参考訳）: 従来のデータパイプラインは不安定で、アップストリームスキーマのドリフトやAPIコントラクトの変更、WebサイトDOMの変更によって失敗することが多い。
現在の監視ツールが警告を発生させるのは人手だけであり、MTTR(Mean Time to repair)と運用上の疲労が増大する。
本稿では,AegisFlow (Agentic Engine for Intelligent Self-Healing and Graph-driven Operations for Workload Remediation)を提案する。
AegisFlowはWatchdogエージェントを使用してランタイムテレメトリを収集し、大規模な言語モデル(LLM)に基づいたコードパッチを自動生成、テスト、デプロイする修復エージェントを備えている。
このフレームワークは、監視、分析、計画、実行、知識(MAPE-K)ループに基づく非侵入的実行モデルであるParallel Shadow Patchingと呼ばれる非侵入的実行モデルを提示し、デジタルツイン環境でパッチを生成し検証する。
実験的なテストを通じて、5つの一般的な障害シナリオでAegisFlowを評価し、MTTRの98.1%の改善(パッチ毎の平均170分から3.2分)と、パッチ成功率92%を確認しました。
特に、システムはJSONスキーマの変更(96%)と句読点ドリフト(98%)に対処することに成功しており、シャドウDOMのケース(85%)では最も成功していない。
AegisFlowは、コールタイムのデータエンジニアリングの約98%をファイアファイアウォールから解放し、イノベーションに向けて再配置する。
このフレームワークは、プラグイン方式で既存のパイプラインオーケストレーションシステムにデプロイできるシステムで構成されており、既存のシステムへの最小限のアップリフトが可能である。
関連論文リスト
- ResonAct: Streaming Metrics for Runtime Diagnosis and Self-Healing in Multi-Agent Systems [7.777663013568655]
本稿では,マルチエージェントシステムの継続的監視,診断,修復を可能にするランタイム自己修復フレームワークであるResonActを紹介する。
ResonActは、実行トレース、エージェントインタラクション、ツール呼び出しをストリーミング分析層に取り込みます。
フレームワークは外部コントロールプレーンとして動作し、アプリケーションエージェントやオーケストレーションロジックを変更することなく介入を可能にする。
論文 参考訳（メタデータ） (2026-09-28T09:18:24Z) - RESTOR: Automated Test Oracle Generation for RESTful APIs via Reinforcement Learning [21.927343858709122]
Restorは、ブラックボックスの設定で単一のリクエスト-レスポンスペアから実行可能なテストアサーションを生成するフレームワークである。
実世界の246のサービスにまたがる2,300以上のAPIトレースからなる産業データセット上でRestorを評価する。
論文 参考訳（メタデータ） (2026-07-27T03:20:28Z) - Diagnosis-Driven Automatic Repair for Agentic Workflow via Symbolic Inference [23.048678930743467]
FlowFixerは、診断駆動の自動修復フレームワークである。
私たちは、Dify、Coze、n8nという3つの一般的な開発プラットフォームから収集されたワークフロー障害についてFlowFixerを評価します。
その結果、FlowFixerは71.3%の修復成功率を達成し、最先端のベースラインを11.9%から27.6%上回る結果となった。
論文 参考訳（メタデータ） (2026-07-03T02:28:32Z) - GraphFlow: An Architecture for Formally Verifiable Visual Workflows Enabling Reliable Agentic AI Automation [0.0]
GraphFlowは、ミッションクリティカルなプロセスにおけるエージェントAI自動化の信頼性向上を目的とした、ビジュアルワークフローシステムである。
既存のワークフロープラットフォームは、耐久性のある実行と可観測性を提供するが、セマンティックな正確性を保証するものはほとんどない。
3つの臨床現場で1年間のパイロットが8,728件のコホート登録ワークフローを実行し、97.08%の完成率を記録した。
論文 参考訳（メタデータ） (2026-05-14T15:33:05Z) - 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) - 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) - TDFlow: Agentic Workflows for Test Driven Software Engineering [9.028820294564566]
TDFlowは、テスト解決タスクとして、リポジトリスケールのソフトウェアエンジニアリングをフレーム化します。
SWE-Bench LiteにおけるTDFlowのパスレートは88.8%である。
人間の開発者がテストを書くTDFlowを利用した人間-LLMインタラクティブシステムを提案する。
論文 参考訳（メタデータ） (2025-10-27T18:44:59Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z)
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。