# Flexible Skill Arrangement ## 定義 Flexible Skill Arrangement は、LLM ベースの O&M エージェントにおいてコンテキスト組み立て(どのデータと知識を取得するか)を Skill という構造化文書に分離・外在化し、LLM による自動生成・更新と実践者による自然言語修正を可能にする設計パターンである。[[Bian Que]] フレームワークで提案された([[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]])。 各 Skill は 3 フィールドの構造化文書として定義される: ``` Skill = ⟨LoadDataSchema, Prompt, Meta⟩ ``` - **LoadDataSchema**: 何を取得するかを宣言する JSON 仕様(データソース呼び出し・知識ベースクエリのパラメータを列挙) - **Prompt**: どう推論するかを定義する構造化テンプレート(LLM の多段分析を誘導) - **Meta**: 名前・バージョン・説明・タグ(キーワードベースのスキルマッチングに使用) Skill は **LLM-generable**・**LLM-updatable**・**Human-correctable** の 3 性質を持つ。ビジネスとモジュールの特定組み合わせ(例: 「レコメンデーション召喚率」×「可用性」)ごとに 1 Skill が存在し、Agent Matrix と Skill Pool の直交分解によりエージェントとスキルが独立して進化できる: ``` o = f_LLM(∪D_{s_i}(e), ∪K_{s_i}(e), p_agent, {p_{s_i}}) {s_i} = MATCH(e, S) ``` Skill は生成フェーズ(新規ビジネス×モジュール組み合わせで自動生成・検証・最大 3 回再試行)と更新フェーズ(2 失敗モードの判別: 不適切取得 → LoadDataSchema 改訂、欠陥推論 → Prompt 改訂)からなるライフサイクルを持つ。 ## 横断的知見 - **O&M における LLM ボトルネックはオーケストレーション(適切なデータ・知識の選択)にある、という認識が Flexible Skill Arrangement の根拠であり、本 wiki で蓄積してきた「入力選別が RCA の中核」([[RCA入力選別]])・「LLM のツール呼び出し過多が失敗の主因」([[AIOps]])という観察と整合する**: [[MetricSifter]] は無関係メトリクスの削減で因果探索を助け、AIOpsLab/SREGym は telemetry tool call 増加で性能低下を報告した。Bian Que はこれを構造的に解決する Skill という抽象化レイヤーを導入することで、エージェントが「どのデータ/知識を取得するか」を都度推論する負荷を排除し、適切なコンテキストを事前保証する。(Source: [[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]], [[@2024__IEEE Access__MetricSifter - Feature Reduction of Multivariate Time Series Data for Efficient Fault Localization in Cloud Applications]], [[@2025__MLSys2025__AIOpsLab - A Holistic Framework to Evaluate AI Agents for Enabling Autonomous Clouds]]) - **Flexible Skill Arrangement は「静的設定 vs. 全自動 RAG」の間の第三の道を切り開く**: 従来の RAG は知識ベースを静的とみなし、自己進化機構は知識ベースかエージェント行動のどちらか一方を改善してきた(Bian Que 参考文献 [37-41])。Flexible Skill Arrangement は Skill のデータルーティングロジック自体を LLM 生成・自然言語更新可能な進化対象とし、かつ 1 フィードバック信号で知識蒸留と Skill 精緻化を同時駆動する統一フィードバックループを形成する点で質的に異なる。(Source: [[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]] §2.4, Appendix A Related Work) - **Skill の LLM 自動生成(pass@1 = 78.8%, pass@5 = 94.2%)は、産業 O&M でスキル設定の初期コストを大幅に下げることを実証した**: ビジネス×モジュールの組み合わせ爆発(数十モジュール×複数シナリオ)に対して手動設定を維持することは実行不能と Bian Que は主張し、自動生成が 5 回試行の 94.2% 解決で実証する。一方で 5.8% の残余失敗は「曖昧な因果帰因や新規ビジネスドメイン知識」が要因で、人間フィードバック 1 ラウンドで 97.1% に改善される。(Source: [[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]] §3.3) ## 未解決の問い - キーワードベース Skill マッチング(`MATCH(e, S)`)は新規イベントタイプや曖昧なアラートメタデータで精度が落ちる——学習済み埋め込みへの移行はマッチング精度を改善するか、またどれだけの学習データが必要か。 - Agent Matrix × Skill Pool の直交分解は「エージェントとスキルが独立して進化できる」と主張するが、実際には Prompt のシナリオロジック(p_agent)とスキルの推論テンプレート(Prompt in Skill)の間に暗黙の結合がある——この結合がスケールとともに問題化しないか。 - Flexible Skill Arrangement をマイクロサービス RCA・インシデント管理以外の O&M ドメイン(LLM 訓練運用・GPU クラスタ管理・IaC 調整)に適用した場合、ドメイン固有のデータ取得パターン([[ドメイン別RCA]])を Skill として表現できるか。 - 知識パスとスキルパスの複合効果は定性観察にとどまる。両パスが長期で正帰還ループを形成するか、収束するか、発散するかを定量化する評価設計はどうあるべきか。 ## 関連 - 実装システム: [[Bian Que]] / [[Kuaishou Technology]] - 親/隣接 concept: [[AIOps]] / [[agentic SRE]] / [[エージェントシステム運用]] / [[根本原因分析]] / [[インシデント管理]] / [[RCA入力選別]] - ソース: [[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]] - 関連 MOC: [[LLM4SRE - MOC]] / [[AIOps - Failure Detection - MOC]] ## 出典 - [[@2026__arXiv__Bian Que - An Agentic Framework with Flexible Skill Arrangement for Online System Operations]](§2.3 Flexible Skill Arrangement, §2.4 Self-Evolving, §3.3 Offline Evaluation, Tables 3-5, Figure 3)