論文の概要: Reimagining Enterprise RAG for Multi-Agent Systems: A Knowledge Layer That Organizes Before It Retrieves

• arxiv url: http://arxiv.org/abs/2610.32851v1
• Date: Fri, 23 Oct 2026 16:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.605671
• Title: Reimagining Enterprise RAG for Multi-Agent Systems: A Knowledge Layer That Organizes Before It Retrieves
• Title（参考訳）: マルチエージェントシステムのためのエンタープライズRAGを再考する: 検索する前に組織化する知識層
• Abstract要約: 7エージェントのリバースエンジニアリングパイプラインが18サービスにわたる241リポジトリを数千のアーティファクトに処理した。 検索前に整理する知識層:自己記述カタログ、スパースメタデータレジストリ、アーティファクト上で定義されたナビゲーションハイパーグラフ。 開発者検証による100以上の製品欠陥の根本原因分析と解決をサポートし、特定のルールやサービスに対する35のリリース回帰失敗を報告した。
• 参考スコア（独自算出の注目度）: 0.9420781649674955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enterprises are deploying agentic AI across the software development lifecycle, and they need the behavioral logic of the systems they act on, not stakeholder documentation. A seven-agent reverse-engineering pipeline recovered this logic, processing 241 repositories across 18 services into thousands of artifacts describing scope, journeys, rules and acceptance criteria. Recovery does not confer usability. Entities like offer, eligibility, and activation recur across services under a shared vocabulary, related in name but operationally distinct, so one end-to-end journey implicates over a thousand near-identical rules that must not be conflated. Flat vector retrieval fails, returning an identical rule from the wrong service at high similarity with no signal of error. Content-level ontology, the traditional remedy, did not exist, and relating every occurrence of recurring entities would have cost more than the engagement and not survived a release cycle. We place the ontology at the artifact level. In this machine-generated corpus, each artifact retains its producer, component, service, domain and type, provenance that disambiguates before content is read. We present a knowledge layer that organizes before retrieving: a self-describing catalog, a sparse metadata registry, and a navigation hypergraph defined over artifacts rather than extracted entities. Queries resolve to artifact identifiers that constrain vector search, so the competing rule from another service is absent rather than outranked, making disambiguation structural, not statistical. Built in under a week and admitting new services by convention, the layer serves SDLC agents, developers, quality engineers and analysts. It supported root-cause analysis and resolution of 100+ production defects with developer verification and attributed 35 release regression failures to specific rules and services.
• Abstract（参考訳）: 企業はソフトウェア開発ライフサイクル全体にエージェントAIをデプロイしており、ステークホルダードキュメンテーションではなく、彼らが実行しているシステムの振る舞いロジックが必要です。 7エージェントのリバースエンジニアリングパイプラインがこのロジックを回復し、18のサービスにまたがる241のリポジトリを、スコープ、ジャーニー、ルール、受け入れ基準を記述する数千のアーティファクトに処理した。 回復はユーザビリティを損なうものではない。 提供、適格性、アクティベーションといったエンティティは、名前に関連するが運用上は異なる、共有語彙の下でサービス間で再帰する。 フラットベクトル検索は失敗し、間違ったサービスから同じルールをエラーの信号なしで高い類似性で返します。 コンテンツレベルのオントロジー(伝統的な治療法)は存在せず、再発するエンティティのすべての発生を関連付けることは、エンゲージメントよりもコストがかかり、リリースサイクルを生き残れなかった。 オントロジーをアーティファクトのレベルに置きます。 このマシン生成コーパスでは、各アーティファクトはそのプロデューサ、コンポーネント、サービス、ドメイン、タイプを保持し、コンテンツが読まれる前に曖昧になる。 本稿では、自己記述カタログ、スパースメタデータレジストリ、抽出されたエンティティではなくアーティファクト上で定義されたナビゲーションハイパーグラフなど、検索前に整理する知識層を提案する。 クエリはベクトル探索を制約するアーティファクト識別子を解決するため、他のサービスからの競合するルールはオーバーランクされるのではなく欠落しており、あいまいさが統計的ではなく構造的になる。 1週間以内に構築され、コンベンションによって新しいサービスを認めることで、SDLCエージェント、開発者、品質エンジニア、アナリストを提供する。 開発者検証による100以上の製品欠陥の根本原因分析と解決をサポートし、特定のルールやサービスに対する35のリリース回帰失敗を報告した。

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)
• Memory-Orchestrated Semantic System (MOSS): An Auditable Agentic Memory Architecture [0.0]
  本稿では,MOSS(Memory-Orchestrated Semantic System)を提案する。 MOSSはモデルに依存しない、ストレージに依存しない、APIに依存しない、あらゆるリレーショナルエンジンで動作し、いかなるLLMプロバイダにも接続し、任意のインフラストラクチャ、ローカルまたはクラウドにデプロイする。 2024年10月までの1年間,個別の研究者の作業コーパスよりも連続的な生産が続けられた。
  論文  参考訳（メタデータ） (2026-07-05T16:35:19Z)
• 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)
• Declarative Data Services: Structured Agentic Discovery for Composing Data Systems [1.8167057409188236]
  宣言型データサービス(DDS)は、宣言型ユーザ意図からデータシステム構成の構造化されたエージェント発見のためのアーキテクチャである。 トレーディングバックのワークロードにおける生命の証明として、無境界の発見ができない場所で収束する。
  論文  参考訳（メタデータ） (2026-05-20T04:36:40Z)
• BUILD-AND-FIND: An Effort-Aware Protocol for Evaluating Agent-Managed Codebases [0.0]
  BUILD-AND-FINDは、下流エージェントが生成されたリポジトリから意図した選択を復元できるかどうかを評価するプロトコルである。 各タスクに対して、ビルダーは隠されたリポジトリの仕様を見て、仕様に書かれた複数選択の質問バンクを作成します。 このプロトコルは、行動の正しさをアーティファクト側のリカバリから切り離し、リカバリの正確性、再現性、実装のカバレッジ、検査の労力を報告します。
  論文  参考訳（メタデータ） (2026-05-07T12:35:27Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• IMPACT-CYCLE: A Contract-Based Multi-Agent System for Claim-Level Supervisory Correction of Long-Video Semantic Memory [73.22944697933603]
  既存のパイプラインは不透明でエンドツーエンドの出力を生成し、検査の中間状態は公開しない。 IMPACT-Cycleは,マルチモーダル反復クレームレベルのメンテナンスとして,長時間ビデオ理解を再構築するマルチエージェントシステムである。
  論文  参考訳（メタデータ） (2026-04-22T03:03:33Z)
• Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG [7.558933130117637]
  Corpus2Skillはドキュメントコーパスを階層的なスキルディレクトリにオフラインで蒸留する。 コンパイルパイプラインは、文書を反復的にクラスタリングし、各レベルでLCMで書かれた要約を生成し、ナビゲート可能なスキルファイルのツリーとして結果を実体化する。 サービス時には、エージェントは、コーパスの鳥眼ビューを受け取り、徐々に細かな要約を通してトピックブランチにドリルし、IDによって全文書を検索する。
  論文  参考訳（メタデータ） (2026-04-16T03:05:37Z)
• Autoregressive Entity Retrieval [55.38027440347138]
  エンティティは、知識の表現と集約の方法の中心にあります。 クエリが与えられたエンティティを検索できることは、エンティティリンクやオープンドメインの質問応答のような知識集約的なタスクに基本となる。 本稿では,自己回帰方式でトークン・バイ・トークンを左から右に生成し,エンティティを検索する最初のシステムであるGENREを提案する。
  論文  参考訳（メタデータ） (2020-10-02T10:13:31Z)

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。